Optimasi Algoritma Genetika Pada K-NN untuk Memprediksi Kecenderungan “Blog Posting

Optimasi Algoritma Genetika Pada K-NN untuk Memprediksi Kecenderungan “Blog Posting

• By Harafani, Hani;
• Jurnal Nasional Terakreditasi
• 597
• 20-29

Menentukan faktor utama pola kecenderungan postingan blog merupakan hal yang penting. Dataset BLOGGER diambil dari situs UCI Machine Learning Repositories yang mana merupakan dataset dari Iran tepatnya provinsi Kohkiloyeh dan Boyer Ahmad.  Dalam penelitian ini peneliti memilih metode kNN karena k-NN dapat mengatasi masalah klasifikasi dengan baik, namun dibalik keunggulan k-NN pengaturan nilai k yang sangat sensitif kerap menjadi kelemahan dari k-NN. Algoritma Genetika pada penelitian ini telah berhasil memperbaiki akurasi prediksi k-NN dengan memberikan nilai k yang optimal bagi k-NN dengan hasil akurasi sebesar 88%  dibandingkan dengan akurasi k-NN saja sebesar 82% dan metode yang digunakan pada penelitian sebelumnya sebesar 82%. Bahkan k-NN+ GA terbukti lebih unggul dari pada metode prediksi lainnya. Tujuan dari penelitian ini adalah menerapkan Algoritma Genetika untuk mendapatkan nilai k yang optimal sehingga dapat memberikan prediksi yang lebih akurat.

• Katakunci Blog Posting, k-NN+GA, Algoritma Genetika
• URL https://ejournal.undiksha.ac.id/index.php/JPTK/article/view/12873
• Penerbit ,

REFERENSI

Asim, Y., Shahid, A. R., Malik, A. K., & Raza, B. (2017). Significance of machine learning algorithms in professional blogger ’ s classification, 0, 1–13. 

Bergmeir, C., Costantini, M., & Benítez, J. 

M. (2014). On the usefulness of cross-validation for directional forecast evaluation. Computational Statistics & Data Analysis, 76, 132– 143. 

Bhuvaneswari, P., & Therese, A. B. (2015). Detection of Cancer in Lung With K-NN Classification Using Genetic Algorithm. Procedia Materials Science, 10(Cnt 2014), 433–440. 

Gharehchopogh, F. S. (2012). Data Mining Application for Cyber Space Users Tendency in Blog Writing : A Case Study, 47(18), 40–46. 

Gharehchopogh, F. S., Khaze, S. R., & Maleki, I. (2015). A New Approach in Bloggers Classification with Hybrid of K-Nearest Neighbor and Artificial Neural Network Algorithms, 8(February), 237–246. 

Gorunescu, F. (2011). Intelligent Systems Reference Library. (Gorunescu, Ed.). 

Harafani, H., & Wahono, R. S. (2015). Optimasi Parameter pada Support Vector Machine Berbasis Algoritma Genetika untuk Estimasi Kebakaran Hutan. Journal of Intelligent Systems, 1(2). 

Harish, N., Mandal, S., Rao, S., & Patil, S. G. (2015). Particle Swarm Optimization based support vector machine for damage level prediction of non-reshaped berm breakwater. Applied Soft Computing, 27, 313– 321. 

Kuncheva, L. I. (1997). FITNESS FUNCTIONS IN EDITING k-NN REFERENCE SET BY GENETIC ALGORITHMS h ~ M ( Z /) h ] M ( zj ), 30(6), 1041–1049. 

Setiawan, R. (2017). ScienceDirect ScienceDirect ScienceDirect Performance Performance Comparison Comparison and and 

Optimization Optimization of of Text Text Document Document Classification using Naïve Bayes Classification Classification using kNN and Naïve Bayes Classific. Procedia Computer Science, 116, 107–112. 

Souza, R., Rittner, L., & Lotufo, R. (2014). A comparison between k -Optimum Path Forest and k -Nearest Neighbors supervised classifiers. Pattern Recognition Letters, 39, 2– 10. 

Ullah, H., Daud, A., Ishfaq, U., Amjad, T., Aljohani, N., Ayyaz, R., & Alowibdi, J. S. (2017). Computers in Human Behavior Modelling to identify in fl uential bloggers in the blogosphere : A survey. Computers in Human 

Behavior, 68, 64–82. 

Wakahara, T., & Yamashita, Y. (2014). k NN classi fi cation of handwritten characters via accelerated GAT correlation, 47, 994–1001. 

Yang, X. (2014). Nature-Inspired Optimization Algorithms. Elsevier. 

Zhang, S., Cheng, D., Deng, Z., Zong, M., & Deng, X. (2017). A novel kNN algorithm with data-driven k parameter computation, 0, 1–11.  

Zhang, S., Deng, Z., Cheng, D., & Zhu, X. (2015). Author ’ s Accepted Manuscript Efficient k NN Classification Algorithm for Big Data Reference : To appear in : Neurocomputing. Neurocomputing.