Susanti, AprillianaDharma (2012) Klasifikasi Mood Pada Lirik Musik Berbahasa Inggris Dengan Menerapkan Metode Improved K-Nn Berbasis Clustering. Sarjana thesis, Universitas Brawijaya.
Abstract
Algoritma KNN tradisional melakukan klasifikasi terhadap objek berdasarkan data latih yang memiliki kemiripan paling besar dengan objek tersebut. Perhitungan kemiripan dilakukan dengan melibatkan seluruh data latih dalam jumlah besar sehingga menyebabkan tingginya kompleksitas perhitungan. Algoritma ini juga tidak membedakan pengaruh dari masing-masing data latih. Untuk mengatasi masalah-masalah tersebut digunakan metode Improved KNN berbasis clustering . Pertama-tama pada tahap penghematan sampel, kumpulan data latih diringkas dengan menghapus data latih yang berada dekat dengan batas kategori. Selanjutnya, kumpulan data latih pada masing-masing kategori dikelompokkan menggunakan algoritma k-means clustering , dan titik pusat cluster digunakan sebagai data latih yang baru. Kemudian digunakan pembobotan terhadap data latih berdasarkan banyaknya sampel yang berada pada cluster tersebut. Data latih yang telah dimodifikasi tersebut digunakan sebagai data latih baru untuk melakukan pengkategorian dengan algoritma KNN. Sistem pengkategorian lirik musik yang dikembangkan dengan metode Improved KNN memiliki nilai eror rata-rata sebesar 0,711. Sistem pengkategorian lirik musik yang dikembangkan dengan metode Improved KNN memiliki nilai Percobaan yang dilakukan menunjukkan bahwa metode Improved KNN dapat mengurangi jumlah data latih secara efektif dan mengurangi kompleksitas perhitungan.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2012/346/051203253 |
| 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 15:17 |
| Last Modified: | 23 Oct 2021 19:26 |
| URI: | http://repository.ub.ac.id/id/eprint/153178 |
Preview |
Text
LAPORAN_(0710963025).pdf Download (4MB) | Preview |
Actions (login required)
 |
View Item |