MODEL KLASIFIKASI DATA REMISI NARAPIDANA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS DENGAN OPTIMASI ALGORITMA GENETIKA MODEL KLASIFIKASI DATA REMISI NARAPIDANA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS DENGAN OPTIMASI ALGORITMA GENETIKA
Article Sidebar
Main Article Content
Abstract
Dalam sistem baru pembinaan narapidana, remisi merupakan pengurangan hukuman terhadap narapidana dan anak pidana yang berkelakuan baik dengan tujuan untuk berbuat baik dan segera menjalani kehidupan di masyarakat. Kriteria pemberian remisi perlu diperjelas sehingga dapat menutup peluang remisi menjadi komoditas. Untuk itu perlu dilakukan klasifikasi terhadap pemberian remisi bagi narapidana. Pendekatan melalui computer science diterapkan sebagai model yang dapat membantu Klasifikasi. Metode Klasifikasi yang akan diterapkan dalam penelitian ini yaitu algoritma K-Nearest Neighbors (K-NN). Salah satu kelemahan dari K-NN adalah pemilihan nilai k, jika k sangat kecil maka akan mengakibatkan hasil klasifikasi terasa kaku. Sebaliknya jika k terlalu besar dapat menyebabkan hasil klasifikasi semakin kabur. Model klasifikasi remisi tahanan pertama dengan K-NN tanpa optimasi bertujuan untuk menentukan nilai k optimal secara manual. Selanjutnya K-NN dioptimasi dengan Algoritma Genetika untuk menentukan nilai k secara optimal.Hasil dari proses analisa untuk menentukan remisi narapidana dengan Metode K-NN dioptimasi menggunakan Algoritma Genetika memiliki tingkat akurasi yang lebih tinggi dengan nilai k = 7 yaitu 91.36% dari pada penggunaan Metode K-NN yaitu sebesar 87.50 %. Hasil penerapan Algoritma Genetika pada Metode K-NN pada klasifikasi remisi narapidana, dengan terdiri dari 1.760 data dan 9 indikator dengan 1 label, di proses Nilai Crossover = 0.5, Fitness = ~ dan Mutation = -1, dari 9 indikator dengan 1 label, dihasilkan indikator X1 = Golongan Registrasi, X3 = Warga Negara, X4 = Agama, X5 = Lama Pidana, X6 = Jenis Kejahatan, X7 = Besaran Denda, X9 = Status JC. Sehingga atribut-atribut tersebut adalah atribut yang paling menentukan dalam ketepatan dan keefektifan klasifikasi penentuan Remisi Narapidana.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Larose, Daniel T. 2005. Discovering Knowledge in Data: An Introduction to Data Mining, John Willey & Sons. Inc
Parvin H, Alizadeh H, Bidgoli B M, MKNN: Modified K-Nearest Neighbors. Proceedings of the Word Congress on Engineering and Computer Science 2008 (WCECS 2008). San Francisco. 2008: 831-834.
Ngai E W T, Hu Y, Wong Y H, Chen Y, Sun X. The Application of Data Mining Techniques in Financial Fraud Detection: A Classification Framework and An Academic Review of Literature. Decision Support Systems. 2011; 50(3): 559-569.
Laksana, Eries Surya. 2006. Sistem Pendukung Keputusan Pemberian Remisi bagi Tahanan. Skripsi Thesis. STMIK AKAKOM Yogyakarta.
Han, J., Kamber, M., & Pei, J. 2012. Data Mining: Concepts and Techniques.
Wijayanto, Hanang. 2015. Klasifikasi Batik Menggunakan Metode K-Nearest Neighbors Berdasarkan Gray Level Co-Occurrence Matrices (Glcm), no. 5.
Indrayanti., dkk. 2014. Optimasi Parameteer K pada Algoritma K-Nearest Neighbors untuk Klasifikasi Penyakit Diabetes Mellitus. ISBN:978-602-118-5-1.
Karomi, M Adib Al. 2015. Optimasi Parameter K Pada Algoritma KNN untuk Klasifikasi Heregistrasi Mahasiswa Program Studi Teknik Informatika STMIK Widya Pratama Jl . Patriot 25 Pekalongan Email : Adib.comp@gmail.com.” IC-TECH X (285): 5
Utami, Lilyani Asri. 2017. Melalui Komparasi Algoritma Support Vector Machine dan K-Nearest Neighbors Berbasis Particle Swarm Optimization. 13 (1): 103–12.
Dennes Nur, Dwi Iriantoro, Candra Dewi, and Delvi Fitriani. 2018. Klasifikasi Pada Penyakit Dental Caries Menggunakan Gabungan K-Nearest Neighbors dan Algoritme Genetika. 2 (8): 2926–33.