Klasifikasi banyak digunakan untuk menentukan keputusan sesuai pengetahuan baru yang didapat dari pengolahan data lampau menggunakan perhitungan suatu algoritma. Metode penelitian yang digunakan dalam penelitian iniĀ metode eksperimental adapun tahapan metode tersebut pesiapan dataset, preprosesing, seleksi fitur kemudian evauasi model dengan RMSE dan AE. K-Nearest Neighbor merupakan salah satu algoritma yang digunakan untuk klasifiksi dan juga prediksi yang menggunakan metode supervised learning. Algoritma K-Nearest Neighbor memiliki keunggulan pelatihan yang sangat cepat, sederhana dan mudah dipahami, K-Nearest Neighbor juga memiliki kekurangan dalam menentukan nilai K dan pemilihan atribut terbaik. Untuk megoptimalkan algorittma K-Nearest Neighbor digunakan seleksi fitur Backward Elimination, memiliki fungsi untuk mengoptimalkan kinerja suatu model dengan sistem kinerja mundur, digunakan untuk memilih atribut yang paling relevan. Hasil penelitian menunjukan bahwa K-Nearest Neighbor dengan Backward Elimination memiliki Root Mean Square Erorr (RMSE) dan Absolute Erorr (AE) pada dateset Software Effot Estimation menujukan hasil yang lebih optimal dibandingkan hanya menggunakan algoritma K-Nearest Neighbor.
Copyrights © 2020