Main Article Content
Abstract
Banyak peneliti termotivasi untuk meningkatkan kinerja prediksi. K-Nearest Neighbor (KNN) merupakan salah satu algoritma untuk regresi maupun klasifikasi sudah secara sukses diimplementasikan di berbagai bidang. Di sisi lain, penentuan variabel yang sesuai dapat memberikan performa yang semakin baik pada suatu model. Pada penelitian ini bertujuan mengembangkan model prediksi dengan menggabungkan algoritma K-Nearest Neighbor dengan metode seleksi atribut, khususnya forward selection untuk memprediksi komiditi lada. Model yang diusulkan dievaluasi dengan data time series lada hitam dan lada putih. Hasil penelitian menunjukkan bahwa algoritma K-Nearest Neighbor berbasis forward selection memberikan kinerja yang terbaik dibandingkan dengan KNN berbasis backward elimination dan SVM berbasis seleksi atribut.
Kata Kunci: K-Nearest Neighbor, forward selection, time series (rentet waktu), prediksi
Article Details
- Seluruh materi yang terdapat dalam situs ini dilindungi oleh undang-undang. Dipersilahkan mengutip sebagian atau seluruh isi situs web ini sesuai dengan ketentuan yang berlaku.
- Apabila anda menemukan satu atau beberapa artikel yang terdapat dalam Jurnal Pseudocode yang melanggar atau berpotensi melanggar hak cipta yang anda miliki, silahkan laporkan kepada kami, melalui email pada Priciple Contact.
- Aspek legal formal terhadap akses setiap informasi dan artikel yang tercantum dalam situs jurnal ini mengacu pada ketentuan lisensi Creative Commons Atribusi-ShareAlike (CC-BY-SA).
- Semua Informasi yang terdapat di Jurnal Pseudocode bersifat akademik. Jurnal Pseudocode tidak bertanggung jawab terhadap kerugian yang terjadi karana penyalah gunaan informasi dari situs ini.