Analisis Metode Fuzzy C-Means dan Pearson Correlation untuk Reduksi Data pada Algoritma KNN

Abstract

The kNN algorithm is a method in data mining that is used for the data classification process which is quite popular. The traditional kNN method has several disadvantages, such as: slow computation when the dimensions of the training data are high and a strong dependence on the amount of training data. This study tested data reduction on the kNN algorithm using the fuzzy c-means clustering and Pearson correlation method on the training data before the data classification process was carried out. The FCM algorithm is used in the data clustering process to obtain the center point of the cluster and then select the training data with the lowest correlation level using the Pearson correlation equation for further reduction. Based on the research conducted, it can be concluded that the accuracy of data classification in the kNN algorithm with data reduction using the fuzzy c-means clustering algorithm and Person correlation obtained an average accuracy of 92.22% and an increase of 2.7% compared to the classification results in kNN algorithm without data reduction with an average accuracy gain of 89.52%. In addition, the use of the data reduction method proposed in the kNN algorithm can reduce the training data into smaller dimensions with an average reduction percentage of 19.22%.

Algoritma kNN merupakan metode di dalam data mining yang digunakan untuk proses pengklasifikasian data yang cukup populer. Metode kNN tradisional memiliki beberapa kelemahan, seperti: komputasi yang lambat ketika dimensi pada data training tergolong tinggi dan ketergantungan yang kuat pada jumlah data training. Penelitian ini melakukan pengujian reduksi data pada algoritma kNN menggunakan metode fuzzy c-means clustering dan Pearson correlation pada data pelatihan sebelum proses klasifikasi data dilakukan. Algoritma FCM digunakan dalam proses clustering data untuk memperoleh titik pusat cluster dan kemudian dilakukan pemilihan data training dengan tingkat korelasi terendah menggunakan persamaan Pearson correlation untuk selanjutnya direduksi. Hasil dari kedua metode tersebut berupa data hasil reduksi yang selanjutnya akan dijadikan data training dengan dimensi yang lebih kecil untuk proses klasifikasi pada algoritma kNN. Berdasarkan penelitian yang dilakukan dapat diambil kesimpulan bahwa akurasi klasifikasi data pada algoritma kNN dengan reduksi data menggunakan algoritma fuzzy c-means clustering dan Person correlation memperoleh akurasi rata-rata sebesar 92,22% dan mengalami peningkatan sebesar 2,7% dibandingkan dengan hasil klasifikasi pada algoritma kNN tanpa reduksi data dengan perolehan akurasi rata-rata sebesar 89,52%. Selain itu, penggunaan metode reduksi data yang diusulkan pada algoritma kNN dapat mereduksi data pelatihan menjadi dimensi yang lebih kecil dengan rata-rata persentase reduksi sebesar 19,22%.