Penerapan K-Nearest Neighbors Pada Single Layer Perceptron Untuk Klasifikasi Dataset Kecil Dengan Tiga Fitur
Main Article Content
Abstract
Dalam pengembangan model machine learning untuk dataset kecil, pemilihan metode yang tepat menjadi kunci untuk menghasilkan klasifikasi yang akurat. Penelitian ini mengaplikasikan algoritma Single Layer Perceptron (SLP) untuk mengklasifikasikan dataset kecil dengan tiga fitur utama, yaitu Feature1, Feature2, dan Feature3. Algoritma SLP digunakan untuk mempelajari pola dalam data, dengan evaluasi model menggunakan teknik validasi silang k-fold. Teknik ini memastikan setiap bagian data digunakan sebagai data uji dan pelatihan secara bergantian, untuk mendapatkan hasil evaluasi yang lebih akurat. Selain itu, algoritma k-Nearest Neighbor (k-NN) digunakan untuk mencari nilai parameter K yang optimal guna meningkatkan akurasi model. Penelitian ini menggunakan 13 data sampel untuk melatih dan menguji model. Dengan pendekatan ini, diharapkan dapat meningkatkan kinerja model dalam mengklasifikasikan dataset kecil dengan tiga fitur.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
[1] Purwandi, R. (2023). Penerapan Algoritma k-Nearest Neighbour (kNN) dalam Memprediksi Kelulusan Mahasiswa pada Konteks Praktikum di Laboratorium. Pros. Seminar Kecerdasan Artifisial, Sains Data, dan Pendidikan Masa Depan (PROKASDADIK), 1, 347. E-ISSN: 3063-5845.
[2] Iffah’da, A. N., & Desiani, A. (2022). Implementasi Algoritma K-Nearest Neighbor (K-NN) dan Single Layer Perceptron (SLP) dalam Prediksi Penyakit Sirosis Biliary Primer. Jurnal Ilmiah
Informatika (JIMI), 7(1), 65-74. https://doi.org/10.35316/jimi.v7i1.65-74. P-ISSN: 2549-7480, E-ISSN: 2549-6301.
[3] Riansa, D. A. (2016). Pengenalan tanda tangan menggunakan algoritma single layer perceptron (Sarjana thesis, Universitas Negeri Jakarta).