<![CDATA[Abstrak Set data yang diolah dalam sistem seperti data mining, information retrieval, computer vision, atau sistem-sistem lain yang menggunakan set data sebagai basis data utama dalam menyelesaikan kasus yang ditangani, bisa memiliki ukuran yang sangat besar dalam hal jumlah fitur yang digunakan. Banyak keuntungan yang didapat jika dilakukan reduksi dimensi. Kunci keuntungannya adalah banyak algoritma data mining yang bekerja dengan baik jika dimensi lebih rendah. Penelitian ini mengembangan metode Dimension Reduction Technique for K-Means Clustering Algorithm (DRC) dengan menambahkan komponen ketiga yaitu z. Hasilnya, kinerja akurasi metode yang diusulkan (DRC 3 DIM) dalam mereduksi dimensi pada metode klasifikasi SVM mampu memberikan akurasi yang tetap relatif baik ketika jumlah dimensi awal masih tidak banyak. Sedangkan waktu komputasi yang dibutuhkan, baik untuk training maupun prediksi masih dapat ditoleransi untuk dapat digunakan, setelah mempertimbangkan bahwa waktu training dan prediksi berada pada level pertengahan ketika dibandingkan dengan metode pembanding. Kata kunci: reduksi, dimensi, drc, klasifikasi.]]>
Copyrights © 2014
