ABSTRAKSI: Nearest Neighbour merupakan metode klasifikasi dalam data mining yang memiliki performansi yang baik khususnya pada data set yang bersih, tetapi metode NN kurang bekerja dengan baik pada data yang mengandung noise. Untuk menangani data yang mengandung noise metode NN dapat diperbaiki kinerjanya dengan menjadi metode k-NN, dimana metode k-NN menggunakan nilai k didalamnya yang berguna untuk proses voting.
Metode NN dapat diperluas menjadi metode Nearest Neigbour With Generalised Exemplar (NNGE) yaitu metode NN yang memperkenalkan konsep hyperractangle pada algoritmanya. Metode NNGE dapat bekerja dengan baik pada data set yang bersih dari noise terutama pada data yang berukuran besar, akan tetapi jika pada data yang mengandung noise didalamnya metode NNGE kurang dapat bekerja dengan baik karena pada metode NNGE tidak mengijinkan adanya konflik pada saat pembentukan rectangle.
Tugas Akhir ini akan melakukan penelitian bagaimana jika metode k-NN dimasukan ke dalam metode NNGE yang selanjutnya disebut metode k-NNGE. Hasil dari penelitian ini menunjukan bahwa perubahan dari metode NNGE ke metode k-NNGE mengalami peningkatan akurasi pada noise domain, akan tetapi jika dibandingkan dengan peningkatan akurasi dari metode NN ke metode k-NN pada noise domain, maka peningkatan akurasi metode NNGE ke metode k-NNGE tidak sebaik peningkatan akurasi dari metode NN ke metode k-NN
Kata Kunci : noise domain, NNGE, k-NNGEABSTRACT: Nearest Neighbour is a classification method in data maining that have been known to have an acceptable performance in a clean datasets, but doesn’t works very well when implemented in noisy domain. Neverheless NN can be upgraded to have a better performance in noisy domains, this is known as k-NN method, this is done with the introduction of the k value that helps in the voting process.
NN can be extended to a method called Nearest Neighbour With Generalised Exemplar (NNGE) that is basicly a NN with the incorporation of hyperrectangle concept in the algorithm. Just like NN, NNGE works well with a clean dataset, but performs poorly in a set with noisy domain, this is due that NNGE doesn’t compromise conflict in the rectangle forming process.
This paper deals with the research of the incorporation of the k-NN into NNGE, later known as the k-NNGE. The outcome of the research shows that the k-NNGE indeed have better accuracy in noisy domain than NNGE, but then compared with the increase in accuracy from NN to k-NN in noisy domain, the increase in accuracy on NNGE to k-NNGE is not as good as the increase in accuracy on NN to k-NN.Keyword: noise domain, NNGE, k-NNGE