Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua 03 ISSN : 30-3805 PERBAIAN AURASI FUZZY -NEAREST NEIGHBOR IN EVERY CLASS MENGGUNAAN FUNGSI ERNEL Haunu Rosyd, Eko Pasetyo, Soffana Agustn 3, 3 Teknk Infomatka Unvestas Muhammadyah Gesk Jl. Sumata 0 GB, Gesk, 6 Teknk Infomatka Unvestas Bhayangkaa Suabaya Jl. A. Yan 4, Suabaya, 603 emal : fbhaun7@gmal.com, eko979@yahoo.com, asoff@gmal.com 3 Abstak Salah satu algotma klasfkas yatu -NN menad algotma yang sangat popule kaena kesedehanaan dalam poses penggunaannya. elemahan -NN adalah haus menggunakan seluuh data lath untuk melakukan poses pedks. Banyak vaas-vaas -NN yang dusulkan untuk melakukan pebakan knea -NN, bak da ss akuas pedks maupun waktu komputas yang dgunakan selama poses pedks, sepet Fuzzy - Neaest Neghbo (F-NN, dan Fuzzy -NN n evey Class (F -NNC. Dalam makalah n dpapakan hasl peneltan beupa penggunaan fungs kenel dalam enel Based F-NNC (B-F-NNC untuk menngkatkan knea akuas pedks. Hasl penguan menunukkan bahwa penggunaan kenel cukup bak untuk dgunakan dalam membantu menngkatkan akuas meskpun penngkatannya kuang sgnfkan. Akuas yang ddapatkan oleh B-F-NNC uga telhat stabl untuk bebeapa plhan dan yang dgunakan dalam penguan. ata kunc : fuzzy, -Neaest Neghbo, class, kenel, klasfkas.. Pendahuluan Algotma klasfkas yang sangat popule penggunaannya kaena kesedehanaan algotma adalah Neaest Neghbo (kadang dsebut uga -Neaest Neghbo / -NN. -NN melakukan klasfkas bedasakan kedekatan lokas (aak suatu data dengan data yang lan [6]. Pnsp sedehana yang dadops oleh algotma -NN adalah: Jka suatu hewan bealan sepet bebek, besuaa kwek-kwek sepet bebek, dan penamplannya sepet bebek, maka hewan tu mungkn bebek. -NN meupakan algotma yang algotma yang menggunakan seluuh data lath untuk melakukan poses klasfkas ( complete stoage. Bsa dpastkan bahwa ketka haus mempedks dengan komposs data lath yang sangat besa maka poses pedks menad sangat lama. Hal nlah yang menad kelemahan -NN dbandng metode-metode klasfkas yang lan. -NN ves klask melakukan pedks secaa tegas pada data u bedasakan pebandngan tetangga tedekat, sedangkan elle membuat pendekatan lan yang dalam melakukan pedks uga bedasakan tetangga tedekat tap tdak secaa tegas mempedks kelas yang haus dkut oleh data u, pembean label kelas data u pada setap kelas dengan membekan nla keanggotaan sepet halnya teo hmpunan fuzzy []. Algotma Fuzzy -Neaest Neghbo (F -NN tesebut dpekenalkan oleh elle et al. [] dengan mengembangkan -NN yang dgabungkan dengan teo fuzzy dalam pembean label kelas pada data u yang dpedks. Salah satu pebakan yang dlakukan pada F-NN untuk menngkatkan akuasnya adalah algotma Adaptve Fuzzy -Neaest Neghbo ( AF- NN dusulkan oleh Chen et al. [] dengan mengembangkan F-NN yang meupakan gabungan teo fuzzy dengan optmas paamete dan fuzzy stength m dalam pembean label kelas pada data u yang dpedks. F-NN uga mempunya banyak vaas selan AF-NN [], dantaanya ada enel-based Fuzzy -Neaest Neghbo (F-NN yang dusulkan oleh Wu dan Zhou [9] untuk menangan kasus pedks data yang non-lnea menggunakan fungs kenel. Wenbege [8] mengusulkan penggunaan metk aak Mahalanobs untuk dgunakan sebaga bass pelathan -NN dengan data lath untuk menuu tetangga tedekat yang sama kelasnya dengan memnmalkan fungs obyektf. Pasetyo [5] mengusulkan Fuzzy -NN n evey Class (F-NNC untuk mempebak akuas knea pada saat pedks. Umumnya, metode-metode yang dusulkan tesebut betuuan untuk mempebak akuas atau menguang umlah data lath yang dlbatkan pada saat pedks. Dalam makalah n, dpapakan hasl peneltan untuk pengembangan metode F-NNC yang dkombnaskan dengan penggunaan fungs kenel untuk menangan kasus data yang dstbusnya non-lnea. aena kenel dalam SVM tebukt mampu membekan knea akuas yang lebh bak pada data set non-lnea maka dalam peneltan yang dlakukan penuls dgunakan fungs kenel pada saat poses pedks. Haapannya adalah menngkatkan akuas pedks F-NNC yang lebh bak da metode-metode yang dusulkan sebelumnya. 07-3
Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua 03 Peneltan n uga melakukan pengamatan koelas penggunaan fungs kenel dengan penngkatan akuas pedks. Sstematka dalam makalah n tebag menad 7, bagan membahas pendahuluan, bagan membahas ngkasan metode tekat, bagan 3 membahas keangka kea metode, bagan 4 membahas hasl penguan dan analss, bagan 5 membahas smpulan dan saan, dan bagan 7 dafta pustaka. Tnauan Pustaka dan Metode Tekat.. -Neaest Neghbo Pada algotma -NN [6], data bedmens N, dlakukan pehtungan aak da data u tesebut ke data lath, nla aak n kemudan dgunakan sebaga nla kedekatan/ketdakmpan antaa data u dengan data lath. Nla pada -NN menunukkan -data lath sebaga tetangga tedekat da data u. Pada algotma -NN, sebuah data u z = (,y, dmana ada vekto/atbut data u, sedangkan y adalah label kelas data u yang belum dketahu, kemudan dhtung aak (atau ke tdakmpan data u ke setap data lath d(, kemudan memlh tetangga tedekat petama dalam D z. Setelah tu dhtung umlah data lath yang mengkut kelas yang ada da tetangga tesebut. elas dengan data tebanyak yang mengkutnya menad kelas pemenang yang dbekan sebaga label kelas pada data u y. Algotma Pedks dengan -NN. z = (,y, adalah data u dengan vekto dan label kelas y yang belum dketahu. Htung aak d(, aak dantaa data u z ke setap vekto data lath, smpan dalam D 3. Plh D z D, yatu tetangga tedekat da z 4. Bekan label kelas da data lath tetangga tedekat yang umlahnya mayotas, ' ag ma I( v y y (, y D z v Salah satu masalah yang dhadap -NN adalah pemlhan nla yang sult, caa votng mayotas da -tetangga untuk nla yang besa bsa mengakbatkan dstos data yang besa, ka telalu kecl bsa menyebabkan algotma telalu senstf tehadap nose. Meskpun begtu, sebenanya penentuan nla yang tebak uga dapat dlakukan dengan menggunakan teknk coss-valdaton [6]... Fuzzy -Neaest Neghbo Metode -NN telah mengalam banyak pebakan, salah satunya oleh Chen et al. [] yang melakukan optmas pada paamete nla dan fuzzy stength m menggunakan metode Patcle Swam Optmzaton. Dalam sstem fuzzy, sebuah data dapat mempunya nla keanggotaan da seumlah kelas dengan deaat keanggotaan dalam nteval 0 sampa. Teo hmpunan fuzzy men-genealsas teo -NN klask dengan ISSN : 30-3805 mendefnskan nla keanggotaan sebuah data pada masng-masng kelas. Fomula yang dgunakan [][3]: u(, y * d( u( y ( d( ( m ( m Dmana u(y adalah nla keanggotaan data ke kelas c, adalah umlah tetangga tedekat yang dgunakan, u( k,y adalah nla keanggotaan data tetangga dalam tetangga pada kelas y, nlanya ka data lath k mlk kelas c atau 0 ka bukan mlk kelas c, untuk d( k adalah aak da data ke data k dalam tetangga tedekat, m adalah bobot pangkat (weght eponent yang besanya m >. Nla keanggotaan suatu data pada kelas sangat dpengauh oleh aak data tu ke tetangga tedekatnya, semakn dekat ke tetangganya maka semakn besa nla keanggotaan data tesebut pada kelas tetangganya, begtu pula sebalknya. Jaak tesebut duku dengan N dmens (ftu data. Pengukuan aak (ketdakmpan dua data yang dgunakan dalam F-NN dgenealsas dengan [][3]: N p p d(, l l ( l Dmana N adalah dmens (umlah ftu data. Untuk p adalah penentu aak yang dgunakan, ka p= maka aak yang dgunakan adalah Manhattan, ka p= maka aak yang dgunakan adalah Eucldean, ka p= maka aak yang dgunakan adalah Chebyshev. Meskpun F-NN menggunakan nla keanggotaan untuk menyatakan keanggotaan data pada setap kelas, tetap untuk membekan keluaan akh, F-NN tetap haus membekan kelas akh hasl pedks, untuk kepeluan n, F-NN memlh kelas dengan nla keanggotaan tebesa pada data tesebut. Algotma Pedks dengan F-NN. Nomalsaskan data menggunakan nla tebesa dan tekecl data pada setap ftu.. Ca tetangga tedekat untuk data u menggunakan pesamaan (. 3. Htung nla keanggotaan u( y menggunakan pesamaan ( untuk setap, dmana C. 4. Ambl nla tebesa: untuk v ag ma u( y semua C, C adalah umlah kelas. 5. Bekan label kelas v ke data u yatu y..3. Fuzzy -Neaest Neghbo n evey Class Metode Fuzzy -Neaest Neghbo n evey Class (F- NNC menggunakan seumlah tetangga tedekat pada setap kelas da sebuah data u, bukan tetangga tedekat sepet pada -NN dan F-NN. Gamba membekan gambaan tetangga tedekat da setap kelas pada sebuah data u pada metode F-NNC. Pada gamba tesebut, untuk =3, tga tetangga tedekat 07-4
Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua 03 dkelas + dan tga tetangga dkelas yang dtemukan oleh F-NNC [5]. 0 0 4 6 8 a. Tanda dot htam (sold adalah data u b. Tga tetangga dkelas + dan tga tetangga dkelas Gamba. onsep tetangga tedekat da setap kelas, untuk = 3 F-NNC membekan nla keanggotaan data pada setap kelas dalam nteval 0 sampa [5]. Jumlah nla keanggotaan sebuah data pada semua kelas sama dengan, sepet pada pesamaan (3. C u, 0 u (3 Dmana u adalah nla keanggotaan n data u ke kelas ke-. Setap data u, haus dcakan tetangga tedekat pada setap kelas menggunakan fomula (, sehngga untuk kelas akan ada tetanggaa yang ddapat, untuk 3 kelas akan ada 3 tetangga yang ddapat, begtu seteusnya. Sehngga ka ada C kelas maka ada C tetangga tedekat yang haus dplh lh [5]. Selanutnya aak data u ke semua tetangga a da setap kelas ke dumlahkan, fomula yang dgunakan: S 8 6 4 m d (, (4 Nla d sebaga akumulas aak data a u ke tetangga dalam kelas ke- dlakukan sebanyak C kelas. Nla m dsn meupakan pangkat bobot ( weght eponent sepet pada F-NN, nla m >. Selanutnya, akumulas aak data u ke setap kelas dgabungkan, dsmbolkan D, fomula yang dgunakan: D S C Untuk mendapatkan nla keanggotaan data u pada setap kelas ke- (ada C kelas, menggunakan fomula: S u (6 D Untuk menentukan kelas hasl pedks data u, dplh kelas dengan nla keanggotaan tebesa da data. Fomula yang dgunakan: C y ' ag ma ( u (7 Algotma pedks pada F-NNC untuk sebuah data u, dsakan sebaga bekut:. Ca tetangga tedekat pada setap kelas, menggunakan fomula (. Htung S sebaga akumulas aak tetangga pada setap kelas, menggunakan fomula (4 3. Htung D sebaga akumulas semua aak da C tetangga, menggunakan fomula (5 4. Htung u sebaga nla keanggotaan data pada setap kelas, menggunakan fomula (6 5. Plh nla keanggoaatn tebesa menggunakan fomula (7, kelas dengan nla keanggotaan tebesa menad kelas hasl pedks untuk data u tesebut. Dalam makalah n, modfkas dlakukan pada caa pehtungan kuanttas aak untuk menguku ketdakmpan, kuanttas aak dhtung dalam dmens tngg menggunakan pemetaan fungs kenel. 3. Metode Peneltan Peneltan yang dlakukan oleh Wu dan Zhou [9] membuktkan bahwa penggunaan fungs kenel untuk memetakan dmens data yang lama ke dmens data yang bau tebukt dapat menngkatkan akuas pedks data u, maka dalam peneltan n uga dgunakan fungs kenel untuk memetakan data lath da dmens lama ke dmens bau yang elatf lebh tngg untuk pehtungan aak antaa data u dengan data lath. Penggunaan fungs kenel dalam pehtungan aak tesebut dteapkan pada metode Fuzzy -Neaest Neghbo n evey Class (F-NNC [5] Masalah yang haus dselesakan dalam kasus nyata basanya tdak lnea, sehngga sangat cocok ka menggunakan fungs kenel yang memetakan data da dmens yang lama ke dmens yang bau ( pada poses pelathan atau pedksnya. Tetap penggunaan aak Eucldean dalam pesamaan ( tdak cukup kompleks untuk menghtung aak dua data dalam dmens yang bau ( [9]. Hal n dsebabkan tdak dapat dlakukan pehtungan secaa langsung, tetap haus menggunakan pasangan dua data antaa dengan ISSN : 30-3805 (5. Pesamaan ( dapat dtulskan 07-5
Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua 03 kembal secaa unvesal untuk menghtung aak data u ke data lath menad pesamaan (8. d (8 Dalam peneltan n dgunakan fungs kenel Gaussan RBF untuk menghtung aak (ketdakmpan pada dua data dalam dmens yang lebh tngg ( pada pesamaan (8, sepet yang yang dusulkan Wu dan Zhou [9]. Smbol menyatakan pemetaan non-lnea da dmens yang lama (X ke dmens yang bau (. X ( X ( X,..., ( X,..., M N (9 Maka pesamaan (8 haus dpetakan uga ke ftu dmens tngg : d d ( (0 ( Jka adalah dmens yang sangat tngg maka tdak mungkn dapat menghtung d (. Maka ( untuk menyelesakan ketebatasan tesebut dgunakan metode kenel untuk menghtung aak tesebut. enel, menghtung dot-poduct dalam ftu ( dmens tngg [9][4], sepet pada pesamaan ( (, (. ( ( Sehngga pehtungan poduct skala dalam dmens awal dtansfomas kedalam dmens tngg dengan pemetaan non-lnea mengunakan fungs kenel.. (. ( (, enel haus menggunakan kenel Mece [4], da bebeapa macam fungs kenel, kenel Gaussan RBF meupakan salah satu kenel yang memelukan pehtungan aak dalam menghtung hasl pemetaannya, maka dalam peneltan n dgunakan kenel Gaussan RBF untuk menghtung aak dalam dmens tngg, sepet yang uga dgunakan oleh Wu dan Zhou [9][4]. (, ep ( Suku kanan pada pesamaan (4 bsa dtulskan menad: d(, m Dan untuk m=, maka dapat dhtung aak pada pesamaan (0 menad [9]: ( ( ( ( (.( ( ( ( (, ( Nla ( dalam pemetaan kenel Gaussan RBF selalu benla. Jad ka hasl pemetaan pesamaan ( (3 ISSN : 30-3805 dmasukkan ke pesamaan ( 3 maka pesamaan ( 3 beubah menad pesamaan (4. ( ( ( (4 Pesamaan ( 4 hanya belaku untuk kenel Gaussan RBF untuk melakukan pehtungan aak dalam dmens tngg dalam B-F-NNC. Untuk mendapatkan nla keanggotaan data u pada setap kelas ke- (ada C kelas dalam dmens tngg ddapat da gabungan pesamaan (4, (5 dan (6 yang sudah dpetakan dalam dmens tngg oleh pesamaan (4. Setelah dmasukkan dan dsedehanakan, ddapatkan pesamaan (5. ( u ( ( C (5 ( q Dmana adalah umlah tetangga tedekat da setap kelas pada data u, C adalah umlah kelas. Sehngga ada C tetangga tedekat yang dlbatkan dalam pehtungan. Pesamaan (5 b elaku untuk m= dalam F-NNC pada dmens tngg. Algotma pedks enel-based Fuzzy -Neaest Neghbo n evey Class (B -F-NNC untuk sebuah data u dsakan sebaga bekut:. Gabungkan data u kedalam data lath X.. Lakukan pemetaan X da dmens lama ke dmens bau: : X ( X menggunakan pesamaan ( 3. Tentukan, dengan syaat N 4. Htung aak da ( ke menggunakan q ( metode kenel (dalam hal n adalah matk dmens tngg hasl da fungs kenel dalam pesamaan (4 5. Plh tetangga da setap kelas, sehngga ddapat C tetangga tedekat. 6. Htung nla keanggotaan data u ke setap kelas menggunakan pesamaan (5 7. Bekan label kelas da nla keanggotaan u pada data u. 4. Penguan dan Analss Metode klasfkas enel-based Fuzzy -Neaest Neghbo n evey Class (B -F-NNC du pada 4 dataset publk yang dunduh da webste [7] yatu: Is (50 ecod, 4 ftu, Vetebal Column (30 ecod, 6 ftu, Wne (78 ecod, 3 ftu, dan Glass (4 ecod, 9 ftu. Sstem penguan menggunakan model splt 5-fold, dmana 80% dgunakan sebaga data lath dan 0% dgunakan sebaga data u. Pada peneltan n dlakukan penguan pada kasus kelas, maka untuk data set yang bes lebh da satu kelas akan dlakukan penggabungan bebeapa kelas hngga menad dua kelas secaa keseluuhan pada data set tesebut. 07-6
Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua 03 Penguan pelaku knea secaa lokal pada B-F- NNC dlakukan dengan membekan nla da sampa 5, dengan plhan nla yang dgunakan adalah:.,,.6, 3, 3.5, 4. Haslnya dsakan pada tabel untuk data set Is. Tabel. Hasl pedks B-F-NNC untuk data set Is (dalam %..6 3 3.5 4 94.67 94.67 94.67 94.67 94.67 94 94 94 94 94 94 94 3 94.67 94.67 94.67 94.67 94.67 94 4 94.67 94.67 94.67 94.67 94.67 94 5 94.67 94.67 94 94.67 94.67 94 6 94.67 94.67 94.67 94.67 94.67 94 7 94.67 94.67 94.67 94.67 94.67 94 8 94.67 94.67 94.67 94.67 94.67 94 9 94 94.67 94.67 94.67 94 94 0 94 94 94.67 94.67 94 94 94 94 94.67 94.67 94 94 93.33 94 94.67 94.67 94 94 3 93.33 94 94.67 94.67 94 94 4 93.33 94 94.67 94.67 94 94 5 93.33 94 94.67 94.67 94 94 Da data hasl pedks sepet yang dsakan pada tabel, dapat damat bahwa akuas yang dbekan untuk nla da sampa 5 dengan plhan yang dgunakan, ddapatkan ata-ata semuanya adalah 94.33% dengan smpangan baku adalah 0.39. Atnya dsn, akuas yang ddapat cukup stabl untuk semua plhan yang dgunakan dan tdak senstf tehadap plhan yang dgunakan. Tabel. Hasl pedks B-F-NNC untuk data set Vetebal Column (dalam %..6 3 3.5 4 80.97 80.65 80.65 78.39 79.68 80.97 78.7 80.65 79.68 79.03 78.39 79.35 3 80 8.9 80 77.74 78.39 79.68 4 80.65 8.9 80.97 77.4 78.39 80 5 8.9 8.94 8.6 78.39 80.3 80.3 6 8.94 8.6 8.9 79.35 80.65 80 7 8.94 8.6 8.6 79.68 80.3 80.3 8 8.94 8.58 8.6 79.68 8.6 80.65 9 8.9 8.9 8.9 80 8.94 80.97 0 83.55 83.3 8.58 80.65 8.6 8.9 83.87 83.3 8.6 80.65 8.6 8.9 83.55 83.3 8.58 80.3 80.97 8.9 3 83.55 8.58 8.6 80.65 80.97 8.94 4 83.55 8.9 8.58 80.97 80.97 8.6 5 8.9 83.3 8.58 80.97 80.65 8.6 Penguan pelaku knea secaa lokal uga dukan pada data set Vetebal Column, Wne, dan Glass, sepet dsakan pada tabel, tabel 3, dan tabel 4. Hasl akuas ata-ata semua vaas dan, masng-masng betuut-tuut 8.4%, 96.85%, dan 93.05%. Sedangkan smpangan baku masng-masng betuu-tuut adalah.47, 0.90, dan 0.97. Nla yang ddapat untuk semua data set tesebut masng dapat dsmpulkan stabl, dan tdak bsa dputuskan plhan nla yang tebak. Tabel 3. Hasl pedks B-F-NNC untuk data set Wne (dalam %..6 3 3.5 4 96.06 96.06 94.94 94.94 94.35 94.4 96.06 96.06 95.5 94.94 95.48 95.5 3 95.49 96.06 96.6 95.49 95.49 96. 4 96.63 96.06 96.6 96.06 95.49 96. 5 97.9 96.63 96.6 96.06 96.06 96.65 6 97.75 96.63 96.6 96.06 96.6 96.65 ISSN : 30-3805 7 97.75 96.63 97.75 97.9 97.9 96.65 8 97.75 96.63 97.75 97.9 97.9 97. 9 97.75 96.06 97.75 97.9 97.9 97. 0 97.75 97.9 97.75 96.6 97.9 97. 97.75 97.9 97.75 97.9 97.9 97. 97.75 97.9 97.75 97.9 97.9 97.76 3 97.75 97.9 97.75 97.9 97.9 97.76 4 97.75 98.3 97.75 97.76 97.9 97.76 5 97.75 98.3 97.75 97.76 97.9 97.76 Tabel 4. Hasl pedks B-F-NNC untuk data set Glass (dalam %..6 3 3.5 4 94.39 94.4 9.99 93.45 93.48 93.93 94.87 93.48 93.93 93.45 94.87 94.4 3 94.87 93.94 94.39 9.98 95.33 94.87 4 94.4 93.47 93.93 9.98 94.87 94.87 5 94.4 93.47 93.93 9.98 93.93 94.4 6 93.48 93.47 93.93 9.98 93.93 93.94 7 93.0 93.47 93.45 9.5 9.53 93.48 8 93.0 93.47 93.45 9.5 9.53 9.55 9 93.0 93 9.5 9.5 9.53 9.09 0 9.54 93 9.05 9.99 9.53 9.09 9.54 9.53 9.05 9.99 9.53 9.09 9.54 9.53 9.05 9.53 9.53 9.63 3 9.54 9.53 9.05 9.06 9.06 9.63 4 9.54 9.05 9.57 9.06 9.06 9.63 5 9.08 9.05 9. 9.06 9.53 9.5 Tabel 5. Pebandngan akuas knea pedks B-F- Data Set -NN F-NN F-NNC NNC Is 95.60% 95.33% 95.0% 93.38% Vet. Col. 78.3% 80.00% 80.77% 8.40% Wne 95.5% 93.% 96.74% 96.74% Glass 90.94% 9.63% 94.49% 93.34% Pada ses bebeda, penguan data set yang sama uga dlakukan dengan membandngkan B-F-NNC pada metode yang lan yatu: -NN, F-NN, dan F-NNC. Haslnya dsakan pada tabel 5. Da tabel, dapat damat bahwa akuas pedks yang ddapat oleh B- F-NNC tdak selalu lebh bak dapada metode yang lan. Untuk data set Vetebal Column, nla akuas B-F-NNC secaa sgnfkan lebh bak dapada - NN yatu lebh tngg 3.08%, dan sedkt lebh bak dapada F-NN dan F-NNC dengan selsh 0.63%. Untuk data set Wne, B-F-NNC membekan akuas yang sama pess dengan F-NNC yatu 96.74%, sedangkan untuk data set Is dan Glass mash kalah nla akuasnya dbandngkan dengan metode sebelumnya. Secaa umum, akuas pedks yang dbekan oleh B-F-NNC tdak auh bebeda dengan metodemetode sebelumnya, tetap dalam B-F-NNC dpelukan penggunaan fungs kenel, yang secaa komputas behaga mahal. Hal n kaena fungs kenel melakukan tansfomas data lath dan data u da dmens lama ke dmens bau yang elatf lebh tngg. Jumlah dmens yang lebh tngg nlah yang dposes oleh B-F-NNC, tetap membekan knea akuas yang tdak auh bebeda da metode sebelumnya. 07-7
Semna Nasonal Teknolog Infomas dan Multmeda 03 STMI AMIOM Yogyakata, 9 Janua 03 5. esmpulan dan Saan Da peneltan yang sudah dlakukan, dapat dsmpulkan sebaga bekut:. Fungs kenel tebukt dapat dgunakan dalam metode klasfkas B-F-NNC dengan hasl akuas yang stabl pada seumlah plhan nla dan yang dgunakan. Hal n membekan pandangan bahwa nla yang yang dph tdak bepengauh sgnfkan pada penuunan atau penngkatan akuas.. Penggunaan kenel dalam B-F-NNC pada bebeapa stuas dapat membantu menngkatkan nla akuas pedks, tetap tdak dapat membekan penngkatan yang sgnfkan da metode-metode sebelumnya yang tdak menggunakan kenel. Saan-saan yang data dbekan untuk peneltan bekutnya sebaga bekut:. Penggunaan fungs kenel yang lan mash pelu dlakukan peneltan untuk dbandngkan dengan fungs kenel Gaussan RBF yang dgunakan dalam peneltan n.. Dalam peneltan n, B-F-NNC bau melakukan pedks pada data set dengan kelas, sehngga dpelukan penguan lebh lanut untuk kasus pedks kelas lebh da. Dafta Pustaka [] Chen, HL., Yang, B., Wang, G., Lu, J., Vu, X., Wang, SJ., Lu, DY., 0. A novel bankuptcy pedcton model based on an adaptve fuzzy k-neaest neghbo method, nowledge-based Systems, Vol. 4, Issue 8, pp. 348 359 [] elle, JM., Gay, MR., Gvens, JA. 985, A Fuzzy - Neaest Neghbo Algothm, IEEE Tansacton on Systems, Man, and Cybenetcs. Vol 5. No 4:580-585 [3] L, D., Deogun, JS., Wang,. 007, Gene Functon Classfcaton Usng Fuzzy -Neaest Neghbo Appoach, IEEE Intenatonal Confeence on Ganula Computng, IEEE Compute Socety. [4] Mulle, R., Mka, S., Ratsch, G.,Tsuda,., Scholkopf, B., 00, An Intoducton to enel-based Leanng Algothms, IEEE Tansacton on Neual Netwoks, Vol., No., pp.8-0. [5] Pasetyo, E., 0, Fuzzy -Neaest Neghbo n Evey Class Untuk lasfkas Data, Semna Nasonal Teknk Infomatka (SANTIA 0, Teknk Infomatka - Fakultas Teknolog Indust Unvestas Pembangunan Nasonal Vetean Jawa Tmu, pp 57-60 [6] Tan, P, Stenbach, M, uma, V., 006, Intoducton to Data Mnng, Peason Educaton: Boston San Fanssco New Yok [7] UCI Machne Leanng Repostoy, 0 Me 0, http://achve.cs.uc.edu/ml/datasets.html [8] Wenbege, Q,, Bltze, J., dan Saul, L., 005, Dstance Metc Leanng fo Lage Magn Neaest Neghbo Classfcaton, Depatment of Compute and Infomaton Scence, Unvesty of Pennsylvana Levne Hall, 3330 Walnut Steet, Phladelpha, PA 904 [9] Wu, XH., Zhou, JJ., 005, enel-based Fuzzy -neaestneghbo Algothm, Poceedngs of the 005 ISSN : 30-3805 Intenatonal Confeence on Computatonal Intellgence fo Modellng, Contol and Automaton, and Intenatonal Confeence on Intellgent Agents, Web Technologes and Intenet Commece (CIMCA-IAWTIC 05 Bodata Penuls Haunu Rosyd, mempeoleh gela Saana Teknk (ST., Pogam Stud Teknk Infomatka Fakultas Teknolog Indust Unvestas Islam Indonesa, lulus tahun 000. Tahun 0 mempeoleh gela Magste ompute (M.om da Pogam Pasca Saana Teknk Infomatka Insttut Teknolog Sepuluh Nopembe Suabaya. Saat n sebaga Staf Pengaa pogam Saana Teknk Infomatka Unvestas Muhammadyah Gesk. Eko Pasetyo, mempeoleh gela Saana ompute (S.om, Pogam Stud Teknk Infomatka Fakultas Teknk Unvestas Muhammadyah Gesk, lulus tahun 005. Tahun 0 mempeoleh gela Magste ompute (M.om da Pogam Pasca Saana Teknk Infomatka Insttut Teknolog Sepuluh Nopembe Suabaya. Saat n sebaga Staf Pengaa pogam Saana Teknk Infomatka UBHARA Suabaya. Soffana Agustn, mempeoleh gela Saana ompute (S. om, Pogam Stud Teknk Infomatka Juusan Teknk Infomatka STMI AAOM Yogyakata, lulus tahun 00. Tahun 00 mempeoleh gela Magste ompute (M.om da Pogam Pasca Saana Teknk Infomatka Insttut Teknolog Sepuluh Nopembe Suabaya. Saat n sebaga Staf Pengaa pogam Saana Teknk Infomatka Unvestas Muhammadyah Gesk. 07-8