Firmansyah, MKhuluq (2012) Penerapan Cosine Similarity Pada Algoritma Shrinking Based Shared Nearest Neighbor (Ssnn) Pada Metode Clustering. Sarjana thesis, Universitas Brawijaya.
Abstract
Algoritma Shrinking based Shared Nearest Neighbor merupakan perbaikan dari algoritma Shared Nearest Neighbor yang mana algoritma SSNN menggunakan konsep pergerakan data dari algoritma data shrinking untuk memperbesar akurasi yang diperoleh. Dalam algoritma SSNN terdapat proses perhitungan jarak antar data menggunakan euclidean distance. Pada skripsi ini akan dilakukan penggantian euclidean distance dengan cosine similarity sebagai rumus untuk mencari jarak antar data. Hasil dari clustering dataset dengan algoritma SSNN adalah tingkat akurasi. Dari hasil uji coba untuk 2 dataset yaitu dataset iris dan dataset wine dengan menggunakan 2 rumus jarak yaitu euclidean distance dan cosine similarity didapatkan bahwa akurasi algoritma SSNN untuk dataset wine dengan menggunakan cosine similarity adalah 0,513 sedangkan dengan menggunakan euclidean distance adalah 0,456. Akurasi algoritma SSNN untuk dataset iris dengan menggunakan cosine similarity adalah 0,74 sedangkan dengan menggunakan euclidean distance adalah 0,727. Dari nilai akurasi tersebut dapat diambil kesimpulan bahwa akurasi algoritma SSNN untuk kedua dataset tersebut menghasilkan akurasi yang lebih tinggi jika menggunakan cosine similarity dari pada menggunakan euclidean distance dengan selisih akurasi untuk dataset wine adalah 0,057 dan selisih akurasi untuk dataset iris adalah 0,013.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2012/343/051203250 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Endang Susworini |
| Date Deposited: | 25 Sep 2012 11:38 |
| Last Modified: | 23 Oct 2021 19:25 |
| URI: | http://repository.ub.ac.id/id/eprint/153176 |
Preview |
Text
Skripsi.pdf Download (7MB) | Preview |
Actions (login required)
 |
View Item |