Langkah Kerja Klasifikasi Dataset Glass Identification Database

DATA MINING LANJUT
Langkah Kerja
Klasifikasi Dataset Glass Identification Database
Menggunakan KNN (K-Nearest Neighbors)
Praktikum Data Mining Lanjut
Disusun
Oleh:
FITRA RIYANDA
1208107010079
JURUSAN INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SYIAH KUALA
DARUSSALAM, BANDA ACEH
APRIL, 2013
LANGKAH KERJA
1. Pengambilan Data Sampel
Dataset
Glass
Identification
Database
diambil
dari
alamat
http://archive.ics.uci.edu/ml/datasets/Glass+Identification. Dataset ini merupakan
hasil analisa apakah suatu kaca dapat mengembang atau tidak.
2. Deklarasi Dataset Dalam format ARFF (Attribute‐Relation File
Format)
Dataset yang diperoleh dari dari UCI tersebut kemudian dirapikan dan
dibuat sesuai format untuk pembentukan file ARFF yang akan di jalankan melalui
aplikasi Weka. Untuk melakukan pembuatan format file tersebut, maka
diperlukan suatu program yang dapat melakukan format ARFF secara otomatis
sesuai dataset yang tertera.
Gambar 1 Dataset Orisinil Pada UCI
Gambar 2 ARFF Creator Untuk Merubah Format Text Ke ARFF
Dari data yang telah diambil dari UCI kemudian dirubah formatnya
dengan beberapa tahapan sesuai yang dibutuhkan sehingga tampak pada gambar
berikut:
Gambar 3 Hasil Output Format ARFF
Tampak dari gambar 3.3 memperlihatkan format ARFF telah terbentuk
dan siap untuk dijalankan pada Weka.
a. Membagi Dataset Menjadi Trainingset dan Testingset
Pada metode klasifikasi dataset menggunakan algoritma KNN dibutuhkan
trainingset sebagai pembelajaran dan sebagai histori atau acuan untuk dataset
yang ingin diuji dengan sample missing value. Uji coba dataset dilakukan dengan
menentukan nilai k sebagai jarak data yang ingin diuji dengan pendekatan nilai
tersebut sesuai dengan nilai k yang memiliki akurasi yang tinggi dan dengan
testingset sebagai data sample-nya. Dari itu data trainingset dan testingset dibagi
70-75% sebagai trainingset dan 25-30% sebagai testingset dari jumlah data yang
ada pada dataset tersebut.
b. Menguji Akurasi
Uji akurasi dataset dengan metode klasifikasi menggunakan KNN (KNearest Neighbor Classifier ) menggunakan Software Weka. Pada metode ini
dilakukan pengambilan sampel dengan nilai akurasi diambil K=1, K=3, K=5,
K=7, K=10 dan no distance weighting pada parameter distanceWeighting.