Implementasi Teknik Weighted K-Nearest Neighbor untuk memprediksi Dataset yang Hilang pada Penyakit Kanker Payudara

Data set yang hilang bukan merupakan masalah yang utama untuk studi yang bersifat substansif pada umumnya, tapi akan mengakibatkan masalah yang serius jika tidak ditangani secara tepat. Banyak kasus yang ditemukan pada database yang datanya tidak lengkap yang setengahnya hilang dari data set, sehingga sulit sekali untuk melakukan penambangan data, dimana hanya data yang lengkap untuk dilakukan analisis. Dengan demikian, dibutuhkan sistem yang lebih praktis dan mempunyai kemampuan dalam mengisi nilai yang hilang dengan nilai – nilai yang mungkin berdasarkan informasi yang tersedia pada data set tersebut. Terdapat banyak metode untuk mengimpulasi data hilang. Metode weighted k-Nearest Neighbor (wkNN) merupakan pengembangan dari metode k-Nearest Neighbor (kNN) dan memiliki prinsip yang sama dengan metode k-Nearest Neighbor (kNN) yaitu mencari jarak terdekat antara data yang akan diuji dengan sejumlah k tetangga terdekatnya dalam data latih untuk menentukan nilai bobot. Pada penelitian ini dataset diambil dari jumlah banyak data kanker payudara ( Breast Cancer Wiscosin ) diperoleh dari University of Wisconsin Hospitals, Madison dari Dr. William H. Wolberg. Berdasarkan hasil uji coba sebanyak 683 data, 9 atribut, 5 data yang dihilangkan secara berurutan dan sembarang/acak. Hasil yang didapat menggunakan metode weighted k-Nearest Neighbor (wkNN) ialah menggunakan k tetangga terdekat yaitu k (3,5,7,9,11) dan hasil yang terbaik ialah terdapat pada k = 11, karena semakin besar k yang digunakan maka semakin baik nilai SSE yang diperoleh.