Peningkatan Kecepatan Algoritma k-NN Untuk Sistem Pengklasifikasian Kendaraan Bermotor

Wahyono Wahyono

doi:10.33633/tc.v19i2.3458

Peningkatan Kecepatan Algoritma k-NN Untuk Sistem Pengklasifikasian Kendaraan Bermotor

Wahyono Wahyono

Abstract

K-Nearest Neighbor (KNN) merupakan algoritma mesin pembelajaran yang memiliki akurasi yang baik meski sangat sederhana untuk diimplementasikan. Namun, salah satu kelemahan algorima KNN adalah kecepatan komputasi yang sangat tergantung pada jumlah dataset yang dimiliki. Penelitian ini mencoba mengusulkan sebuah strategi untuk meningkatkan kecepatan algoritma KNN tetapi dengan akurasi yang hampir sama dengan standard KNN. Jika pada standar KNN proses hanya dilakukan dengan menyimpan data latih, yang kemudian akan dibandingkan dengan data uji baru dengan cara menghitung jarak satu persatu, sementara strategi yang diusulkan mencoba mengurangi jumlah data latih dengan strategi clustering, sehingga jumlah data yang akan dibandingkan dengan data uji lebih sedikit. Akibatnya, diharapkan waktu prosesnya menjasi lebih cepat. Strategi yang diusulkan akan diterapkan pada kasus klasifikasi jenis kendaraan berbasis pengolahan citra digital. Untuk menghitung tingkat akurasi dan kecepatan, maka metode yang diusulkan akan dievaluasi menggunakan dataset yang dikumpulkan melalui internet.

Keywords

k-nearest neighbor; clustering; klasifikasi jenis kendaraan; mesin pembelajaran

Full Text:

PDF

References

Babu, V. S. dan Viswanath, P., “Rough-fuzzy weighted k-nearest leader classifier for large data sets,” Pattern Recognition, vol. 42, no. 2009, pp.1719–1731, 2009.

Dasarathy, B. V. “Data mining tasks and methods: Classification: Nearest-neighbor approaches,” in Handbook of data mining and knowledge discovery. New York: Oxford University Press, pp. 288–298, 2002.

Hassan, M. R., Hossain, M. M., Bailey, J., dan Ramamohanarao, K. “Improving k-nearest neighbor classification with distance functions based on receiver operating characteristics,” in W. Daelemans et al. (Eds.): ECML PKDD 2008, Part I, LNAI 5211, pp. 489-504. 2008.

Fix, E. dan Hodges, Jr. J.L., “Discriminatory Analysis: Non-parametric Discrimination: Small Sample Performance,” Report No. 11, USAF School of Aviation Medicine, Randolph Field, Texas, 1952.

Duda, R. O., Hart, P. E., dan Stork, D. G., Pattern Classification, 2nd ed. John Wiley & Sons: A Wiley-interscience Publication, 2000.

Nicolas, G.-P. dan Domingo, O.-B., “Boosting k-nearest neighbor classifier by means of input space rejection,” Expert systems with application 36, pp. 10570-10582, 2009.

Viswanath, P., dan Sarma, T. H., “An improvement to k-nearest neighbor classifier,” IEEE Recent Advances in Intelligent Computational Systems, pp, 227-231, 2011.

Zhou, C. Y., dan Chen, Y. Q., “Improving nearest neighbor classification with cam weighted distance,” Pattern recognition Vol. 39, pp. 635-645, 2006.

Jiang, Z. H. S. J. “Instance cloning local naive bayes,” In Proceedings of the Eighteenth Canadian Conference on Artificial Intelligence, pages 280–291. Springer, 2005.

Frank, H. M. P. B. “Locally weighted naive bayes,” In Proceedings of the Conference on Uncertainty in Artificial Intelligence, pages 249–256. Morgan Kaufmann, 2003.

Jiang, L., Zhang, H., dan Cai., Z., “Dynamic k-nearest-neighbor naive bayes with attribute weighted,” In Proceedings of the 3rd International Conference on Fuzzy Systems and Knowledge Discovery, pages 365–368. Springer, 2006.

Manocha, S., dan Girolami, M. A., “An empirical analysis of the probabilitics k-nearest neighbor classifier,” Pattern Recognition Letter 28, pp. 1818-1824, 2007.

Jiang, L., Cai, Z., Wang, D., dan Jiang, S., “Survey of improving k-nearest neighbor for classification,” FSKD, 2007.

N. Dalal and B. Triggs. “Histograms of oriented gradients for human detection. In Cordelia Schmid, Stefano Soatto, and Carlo Tomasi, editors, ICPR, volume 2, pages 886–893, INRIA Rhˆone-Alpes, ZIRST-655, av. de l’Europe, Montbonnot-38334, June 2005.

DOI: https://doi.org/10.33633/tc.v19i2.3458