PENERAPAN ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK OPTIMALISASI FUZZY K-NEAREST NEIGHBOR

Disna Putri Sari, Departmen Pendidikan Matematika, Universitas Negeri Yogyakarta, Indonesia
Indira Ihnu Brilliant, Departmen Pendidikan Matematika, Universitas Negeri Yogyakarta, Indonesia

 10.21831/jktm.v12i1.21133

Abstract


Salah satu hal penting yang memengaruhi akurasi fuzzy k-nearest neighbor adalah penentuan parameter k dan m. Pada penelitian ini digunakan algoritma particle swarm optimization untuk menentukan kombinasi parameter k, m yang dapat menghasilkan akurasi paling baik. Penelitian ini dilakukan dengan tujuan untuk mengoptimalisasikan akurasi hasil klasifikasi algoritma Fuzzy K-Nearest Neighbor (FKNN) dengan penerapan Particle Swarm Optimization (PSO). Tahapan dari metode penelitian ini antara lain preprocessing data dengan normalisasi min-max, processing data dengan algoritma FKNN-PSO, dan evaluasi model dengan confusion matrix. Penelitian ini diimplementasikan pada software python dengan wisconsin breast cancer dataset yang diperoleh dari scikitlearn python. Data yang digunakan merupakan klasifikasi kanker payudara ke dalam dua kelas yaitu kanker ganas (malignant) dan kanker jinak (benign). Data tersebut dibagi ke dalam data latih dan data uji dengan perbandingan 70:30, sehingga diperoleh data latih sebesar 398 dan data uji sebesar 171. Hasil penelitian menunjukkan akurasi algoritma FKNN-PSO adalah 96,5% dengan k=45 dan m=47.

Full Text:

PDF

References


Ahmad, I., Sulistiyani, H., & Saputra, H. (2018). Using Fuzzy K-nearest Neighbor for Predicting University Students Graduation In Teknokrat. 1(1), 47–52. http://ejournal.uin-suska.ac.id/index.php/IJAIDM/index

Desinaini, L. N., Mualimah, A., Novitasari, D. C. R., & Hafiyusholeh, M. (2019). Application of Fuzzy K-Nearest Neighbor (FKNN) To Detect the Parkinson’s Disease. 1(1), 8–16. https://doi.org/10.15408/inprime.v1i1.12827

Ehsani, R., & Drablos, F. (2020). Robust Distance Measures for kNN Classification of Cancer Data. Sage Journals, 19, 1–9. https://doi.org/10.1177/1176935120965542

Engelbrecht, A. P. (2007). Computational Intelligence: An Introduction. John Wiley & Sons, Ltd.

Gholamy, A., Kreinovich, V., & Kosheleva, O. (2018). Why 70/30 or 80/20 Relation Between Training and Testing Sets: A Pedagogical Explanation. Computer Science, 1209, 1–6. https://scholarworks.utep.edu/cs_techrep/1209

Ginting, W. C., Purba, R., & Arwin. (2020). Optimization Performance of Fuzzy K-Nn with Modifield Particle Swarm Optimization in Credit Risk Classification. 4(2), 1417–1423

Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques (Third Edition). Morgan Kaufmann Publishers.

Hidayatullaily, S., & Zulhadi. (2023). Rainfall Classification Using Fuzzy K-Nearest Neighbor Method: Sumbawa Case Study. 1(1), 01–10.

Jain, M., Saihjpal, V., Singh, N., & Singh, S. B. (2022). An Overview of Variants and Advancements of PSO Algorithm. 12(8392). https://doi.org/10.3390/ app12178392

Jamaluddin, & Siringoringo, R. (2017). Improved Fuzzy K-Nearest Neighbor Using Modified Particle Swarm Optimization. IOP Publishing Ltd. https://doi.org/10.1088/1742-6596/930/1/012024

Kadry, R., & Ismael, O. (2020). A New Hybrid KNN Classification Approach based on Particle Swarm Optimization. 11(11), 291–296.

Keller, J. M., Gray, M. R., & Givens, JR., J. A. (1985). A Fuzzy K-Nearest Neighbor Algorithm. IEEE, SMC-15(4).

Kennedy, J., & Eberhart, R. C. (1995). Particle Swarm Optimization. IEEE, 4, 1942–1948. https://doi.org/doi: 10.1109/ICNN.1995.488968

Kusuma, J., Kurniati, A. P., & Karo, I. M. K. (2022). Analysis of Expertise Group Using The Fuzzy K-NN Classification Algorithm (Case Study: School of Computing Telkom University). 9(3), 564−572. https://doi.org/10.30865/jurikom.v9i3.4215

Larose, D. T. (2005). Discovering Knowledge in Data: An Introduction to Data Mining. John Wiley & Sons, Inc.

Muraina, I. O. (2022). Ideal Dataset Splitting Ratios In Machine Learning Algorithms: General Concerns For Data Scientist And Data Analysts. 496–504.

Nasution, D. A., Khotimah, H. H., & Chamidah, N. (2019). Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN. 4(1), 78. https://doi.org/10.24114/cess.v4i1.11458

Nguyen, Q. H., Ly, H.-B., Ho, L. S., Al-Ansari, N., Le, H. V., Tran, V. Q., Prakash, I., & Pham, B. T. (2021). Influence of Data Splitting on Performance of Machine Learning Models in Prediction of Shear Strength of Soil. 1–15. https://doi.org/10.1155/2021/4832864

Nurida, R., Sugiharti, E., & Alamsyah. (2019). Implementation of Fuzzy K-Nearest Neighbor Method in Decision Support System for Identification of Under-five Children Nutritional Status Based on Anthropometry Index. 1(1), 83–89. https://journal.unnes.ac.id/sju/index.php/jaist

Pandey, A., & Jain, A. (2017). Comparative Analysis of KNN Algorithm using Various Normalization Techniques. 9(11), 36–42. https://doi.org/10.5815/ijcnis.2017.11.04

Parsopoulos, K. E., & Vrahatis, M. N. (2010). Particle Swarm Optimization and Intelligence: Advances and Applications. Information Science Reference.

Priyambodo, D., Nugroho, A., & Zaman, B. (2022). Prediksi Ketepatan Waktu Studi Mahasiswa Bidik Misi Menggunakan K-Nearest Neighbour. 5(2), 16–22.

Ramadhani, F., Satria, A., & Sari, I. P. (2023). Implementasi Metode Fuzzy K-Nearest Neighbor dalam Klasifikasi Penyakit Demam Berdarah. 2(2), 58–62. https://doi.org/10.56211/helloworld.v2i2.253

Rossum, G. van. (1980). Python.

Shanti, D. M. F., Hidayat, N., & Wihandika, R. C. (2018). Implementasi Metode F-KNN (Fuzzy K-Nearest Neighbor) Untuk Diagnosis Penyakit Anjing. 2(12), 7401–7407.

Sodiq, R. W. P., Hidayat, N., & Dewi, R. K. (2019). Implementasi Metode Fuzzy K-Nearest Neighbor Untuk Identifikasi Cedera Pada Pemain Futsal. 3(1), 1000–1004.

Soleh, M., Andayati, D., & Rachmawati, Rr. Y. (2022). Data Mining Model Klasifikasi Menggunakan Algoritma K-Nearest Neighbor dengan Normalisasi untuk Prediksi Penyakit Diabetes. 18(2), 77–87. https://doi.org/doi.org/10.36342/teika.v12i02.2911

Wijaya, I. G. B. S., Astuti, L. G., Suputra, I. P. G. H., Darmawan, I. D. M. B. A., Santiyasa, I. W., & Astawa, I. G. S. (2023). Hybrid Implementation Fuzzy K-Nearest Neighbor (FK-NN) And Particle Swarm Optimization (PSO) Methods for Classification of Liver Disease. 11(3), 635–644.




DOI: https://doi.org/10.21831/jktm.v12i1.21133

Refbacks

  • There are currently no refbacks.


 

Online ISSN (e-ISSN): 3031-1152

Creative Commons LicenseJurnal Kajian dan Terapan Matematika by https://journal.student.uny.ac.id/index.php/jktm/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
 
View My Stats