Abstract
Algoritma K-Support Vector Nearest Neighbor (K-SVNN) menjadi salah satu alternatif
metode hasil evolusi K-Nearest Neighbor (K-NN) yang bertujuan untuk mengurangi saat prediksi
tetapi tetap mempertahankan akurasi prediksi. Metode ini masih relatif muda sehingga baru
dibandingkan hanya dengan metode-metode berbasis K-NN lainnya. Dalam penelitian ini
dilakukan analisis perbandingan kesamaan, perbedaan, dan kinerja terhadap metode Decision Tree
(DT) dan Naïve Bayes (NB). Pengujian dengan perbandingan ini penting untuk mengetahui
keunggulan dan kelemahan relatif yang dimiliki oleh K-SVNN. Dengan mengetahui keunggulan
dan kelemahan maka metode tersebut dapat dibuktikan kehandalannya ketika diimplementasikan.
Pengujian dilakukan baik pada saat pelatihan maupun prediksi. Kinerja pelatihan diukur dalam hal
waktu yang digunakan untuk pelatihan, kinerja prediksi diukur dalam hal waktu yang digunakan
untuk prediksi dan akurasi prediksi yang didapat. Hasil pengujian menunjukkan bahwa K-SVNN
mempunyai akurasi yang lebih baik daripada DT dan NB. Sedangkan waktu yang digunakan untuk
pelatihan dan prediksi K-SVNN lebih lama disbanding DT dan NB.
