METODE KLASIFIKASI RANDOM K NEAREST NEIGHBOR (RKNN)

Penulis

Sinung Jiwangga A

Pembimbing: Yunita Wulan Sari, S.Si., M.Sc


ABSTRACT: CLASSIFICATION USING RANDOM K NEAREST NEIGHBOR (RKNN) Sinung Jiwangga Adi 09/283159/PA/12463 High dimensional data is widely available in bioinformatics, chemometrics, banking and other applications, so that the succesful analysis and modeling of these data is highly challenging. Random K Nearest Neighbor (RKNN) consist an ensemble of base k nearest-neighbor models, each taking a random subset of the input variables. A theoretical and empirical analysis of the performance of the RKNN is performed. Based on the proposed RKNN, a new feature selection method is devised. To rank the importance of the variables, a criterion, named support, is defined and computed on the RKNN framework. A two-stage backward model selection method is developed using supports. The RKNN approach can be applied to both qualitative and quantitative responses, i.e., classification and regression problems, and has applications in statistics, banking, machine learning, pattern recognition and bioinformatics, etc. Keywords: classification, feature selection, RKNN.

INTISARI: INTISARI METODE KLASIFIKASI RANDOM K NEAREST NEIGHBOR (RKNN) Sinung Jiwangga Adi 09/283159/PA/12463 Data dimensi tinggi banyak tersedia di bioinformatika, kemometrika, perbankan dan aplikasi lainnya, sehingga kesuksesan analisis dan pemodelan data ini sangat menantang. Random K Nearest Neighbor (RKNN) terdiri dari serangkaian model berbasis k nearest neighbor, yang masing-masing diambil subset acaknya dari variabel input. Sebuah analisis teoritis dan empiris dilakukan terhadap kinerja RKNN. Berdasarkan RKNN yang diusulkan, dibangun sebuah metode seleksi fitur. Dalam meranking fitur yang penting dibuat kriteria yang dinamakan support, yang didefinisikan dan dihitung dari kerangka RKNN. Metode seleksi model dua tahap backward dikembangkan menggunakan support. Pendekatan RKNN dapat diaplikasikan untuk data respons kualitatif maupun kuantitatif, misalnya masalah klasifikasi dan regresi, serta aplikasinya dalam statistika, perbankan, machine learning, pengenalan pola, bioinformatika, dan lain-lain. Kata kunci: klasifikasi, seleksi fitur, RKNN.

Kata kunci klasifikasi, seleksi fitur, RKNN
Program Studi S1 STATISTIKA UGM
No Inventaris
Deskripsi
Bahasa Indonesia
Jenis Skripsi
Penerbit [Yogyakarta] : Universitas Gadjah Mada, 2017
Lokasi Perpustakaan Pusat UGM
File Tulisan Lengkap dapat Dibaca di Ruang Tesis/Disertasi
  • Anda dapat mengecek ketersediaan versi cetak dari penelitian ini melalui petugas kami dengan mencatat nomor inventaris di atas (apabila ada)
  • Ketentuan Layanan:
    1. Pemustaka diperkenankan mengkopi cover, abstrak, daftar isi, bab pendahuluan, bab penutup/ kesimpulan, daftar pusatak
    2. Tidak diperbolehkan mengkopi Bab Tinjauan Pustaka, Bab Pembahasan dan Lampiran (data perusahaan/ lembaga tempat penelitian)
    3. Mengisi surat pernyataan, menyertakakan FC kartu identitas yang berlaku

<< kembali