Keakuratan klasifikasi dengan menggunakan algoritma k-Nearest Neighbor (kNN) bergantung secara signifikan pada metrik yang digunakan untuk mengukur jarak antar contoh yang berbeda. Pendekatan yang dilakukan pada Tugas Akhir dalam meningkatkan akurasi kNN classifier adalah dengan cara memodifikasi program kNN classifier yang berasal dari penelitian Hermansyah (2014). Pada penelitian ini, modifikasi program Hermansyah dilakukan dengan menambah kNN classifier menggunakan Mahalanobis distance. Penelitian ini bertujuan untuk membuktikan bahwa Mahalanobis distance lebih akurat dibandingkan Euclidean distance. Hasil yang didapatkan pada penelitian ini yaitu akurasi kNN classifier menggunakan Mahalanobis distance tidak lebih baik dari kNN classifier menggunakan Euclidean distance. Akurasi yang dihasilkan kNN classifier menggunakan Mahalanobis distance sebesar 48.19%, nilai tersebut lebih kecil dari akurasi yang dihasilkan Euclidean distance sebesar 50.99%. Secara teori Mahalanobis distance menghasilkan nilai akurasi lebih baik dari Euclidean distance, hal ini disebabkan oleh dataset yang digunakan pada penelitian ini hanya memiliki 3 buah fitur. Kurangnya fitur menyebabkan perbedaan antar kategori tidak jelas, sehingga classifier tidak dapat menentukan kategori pada objek secara akurat. Pada saat pengukuran menggunakan Mahalanobis, nilai kovarian menghasilkan nilai mendekati nol yang diasumsikan sebagai matrik singular dan terdapat juga matrik singular. Hal tersebut menjadikan pengukuran menggunakan Mahalanobis tidak menyertakan matrik kovarian inverse yang menyebabkan hasil pengukuran bernilai kecil, sehingga classifier tidak dapat melihat perbedaan antar kategori dengan jelas. Kata Kunci: Musik, Mood, K-Nearest Neighbor, Mahalanobis distance.

The accuracy of k-nearest neighbor (kNN) classi�cation depends significantly on the metric used to measure the distances between different examples. The approach which is used in this Final Project is to improve the accuracy of kNN classifier by modifying the kNN classifier program done by Hermansyah (2014.). In this research, modification on Hermansyah program does by adding kNN classifier using Mahalanobis distance. This is to prove that Mahalanobis distance is more accurate than Euclidean distance. The result showed that the accuracy of kNN classifier using Mahalanobis distance was not better than using Euclidean distance. Using Mahalanobis distance the accuracy resulted in 48,19%, while using Euclidean distance, the value was 50.99%. Theoretically, Mahalanobis distance produces better accuracy value than Euclidean distance, since the dataset used in this study only had 3 features. Lack of features had caused some differences between indefinable categories, so that the classifier could not determine the object category accurately. When the measurement used Mahalanobis, covariance value produces a value close to zero that was assumed as singular matrix and there was also a singular matrix. Therefore, the measurements using Mahalanobis did not include inverse covariance matrix which causes small measurement results, so the classifier can not see the difference between categories clearly. Keywords: Music, Mood, K-Nearest Neighbor, Mahalanobis distance.

http://digilib.polban.ac.id/gdl.php?mod=browse&op=read&id=jbptppolban-gdl-kevindiant-6511