Reduksi Data Latih pada K-Support Vector Nearest Neighbor Menggunakan Entropy

摘要: Pemilihan sebagian data latih atau reduksi yang mempunyai pengaruh pada garis keputusan klasifikasi penting dilakukan. Tujuannya untuk mengurangi beban sistem tahap pelatihan. Sebagai metode data, K-Support Vector Nearest Neighbour (K-SVNN) mendapatkan hasil berdasarkan ketinggian nilai Significant Degree (SD) masing- masing data. Nilai SD dihitung menggunakan variabel LVRV (Left Value dan Right Value). Sayangnya, hanya dapat digunakan kasus biner. Penelitian ini melakukan uji coba penggunaan Entropy menghitung SD. Secara konseptual, memberikan kemurnian distribusi kelas sehingga dimungkinkan multi kelas. Pada makalah ini, disajikan analisis perbandingan perilaku antara Entropy. Hasil threshold (T) > 0, didapatkan akurasi sama kedua metode, sedangkan dengan lebih tinggi daripada tanpa reduksi. Hal membuktikan bahwa entropy menggantikan