Penerapan fungsi exponential pada pembobotan fungsi jarak euclidean algoritma K-Nearest Neighbor

k-Nearest Neighbor (K-NN) merupakan salah satu algoritma klasifikasi yang populer dan banyak digunakan untuk menyelesaikan kasus klasifikasi. Hal ini dikarenakan algoritma k-NN memiliki kelebihan seperti sederhana, mudah dijelaskan, dan mudah diterapkan. Namun, Algoritma k-NN memiliki kekurangan hasil klasifikasi sangat dipengaruhi oleh skala input data dan jarak Euclidean yang memperlakukan atribut data secara merata, tidak sesuai dengan relevansi masing-masing data atribut. Hal ini menyebabkan penurunan hasil klasifikasi. Salah satu cara meningkatkan performa akurasi klasifikasi dari algoritma k-NN adalah metode pembobotan pada fiturnya pada saat pengukuran jarak Euclidean. Fungsi Exponential pada pengukuran jarak Euclidean yang telah dioptimasi diaplikasikan ke dalam algoritma algoritma k-NN sebagai metode pengukuran jarak. Peningkatan performa metode k-NN dengan fungsi Exponential untuk pembobotan fitur pada k-NN akan dilakukan dengan eksperimen menggunakan cara Data Mining. Kemudian hasil dari performa metode tujuan akan dibandingkan dengan metode k-NN asli dan metode penelitian pembobotan k-NN terdahulu. Sebagai acuan hasil perhitungan jarak terdekat, pengambilan jarak tetangga terdekat pada k-NN akan ditentukan dengan nilai k=5. Setelah eksperimen dilakukan algoritma tujuan dibandingkan dengan algoritma k-NN, Wk-NN, dan DWk-NN. Secara berurutan hasil perbandingan memperoleh nilai rata-rata k-NN 85,87%, Wk-NN 86,98%, DWk-NN 88,19% dan algoritma k-NN yang diberikan pembobotan fungsi Exponential memperoleh nilai 90,17%.