Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Sinkron : Jurnal dan Penelitian Teknik Informatika
Pulungan, Annisa Fadhillah
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analysis of Braycurtis, Canberra and Euclidean Distance in KNN Algorithm Pulungan, Annisa Fadhillah; Zarlis, Muhammad; Suwilo, Saib
Sinkron : jurnal dan penelitian teknik informatika Vol. 4 No. 1 (2019): SinkrOn Volume 4 Number 1, October 2019
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (308.901 KB) | DOI: 10.33395/sinkron.v4i1.10207

Abstract

Classification is a technique used to build a classification model from a sample of training data. One of the most popular classification techniques is The K-Nearest Neighbor (KNN). The KNN algorithm has important parameter that affect the performance of the KNN Algorithm. The parameter is the value of the K and distance matrix. The distance between two points is determined by the calculation of the distance matrix before classification process by the KNN. The purpose of this study was to analyze and compare performance of the KNN using the distance function. The distance functions are Braycurtis Distance, Canberra Distance and Euclidean Distance based on an accuracy perspective. This study uses the Iris Dataset from the UCI Machine Learning Repository. The evaluation method used id 10-Fold Cross-Validation. The result showed that the Braycurtis distance method had better performance that Canberra Distance and Euclidean Distance methods at K=6, K=7, K=8 ad K=10 with accuracy values of 96 %.
Kombinasi Metode Sampling pada Pengklasifikasian Data Tidak Seimbang Menggunakan Algoritma SVM Pulungan, Annisa Fadhillah; Selvida, Desilia
InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 6, No 2 (2022): InfoTekJar Maret
Publisher : Universitas Islam Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30743/infotekjar.v6i2.4920

Abstract

Kelas tidak seimbang telah menjadi masalah pada pembelajaran mesin dan data mining selama beberapa tahun ini. Kelas tidak seimbang adalah kelas yang memiliki data yang tidak terdistribusi secara merata pada setiap kelasnya dimana terdapat satu kelas yang memiliki jumlah data yang lebih banyak dibanding kelas lainnya. Rasio ketidakseimbangan  ini akan menyebabkan bias dalam kumpulan data pelatihan yang akan mempengaruhi kinerja pada pembelajaran mesin. Dimana menyebabkan terjadinya kesalahan klasifikasi pada kelas minoritas sehingga kelas minoritas dinyatakan sebagai kelas mayoritas. penelitian ini mencoba untuk menggunakan metode Oversampling, Undersampling dan kombinasi Oversampling-Undersampling pada data tidak seimbang sebagai pra-pemrosesan data untuk selanjutnya dilakukan klasifikasi menggunakan algoritma Support Vector Machine (SVM). Pada penelitian ini diperoleh kesimpulan bahwa penerapan metode Oversampling, Undersampling dan kombinasi Oversampling-Undersampling memiliki kemampuan yang baik dalam menangani ketidakseimbangan kelas dataset Credit Card Fraud walaupun pada nilai AUC, Oversampling memiliki nilai yang lebih rendah dibanding metode Undersampling dan kombinasi Over-Undersampling.  
Co-Authors Muhammad Zarlis, Muhammad Saib Suwilo Selvida, Desilia