Evaluasi Implementasi Algoritma Machine Learning K-Nearest Neighbors (kNN) pada Data Spektroskopi Gamma Resolusi Rendah

Fajri, Muhammad Sholih; Septian, Nizar; Sanjaya, Edy

doi:10.15408/fiziya.v3i1.16180

Cited by 7 publications

(4 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…K-Nearest Neighbor merupakan suatu metode klasifikasi terhadap data objek yang didasarkan pada data pembelajaran yang jaraknya dekat dengan perhitungan menggunakan jarak euclidean [16]. Tujuannya yaitu untuk mengklasifikasi data baru berdasarkan atribut dan data training dengan klasifikasi berdasarkan mayoritas kategorinya, beberapa penelitian menggunakan Algoritma telah dilakukan dalam beberapa bidang kesehatan, e-commerce, transportasi dan fisika [17][18][19][20][21]. Berdasarkan penelitian yang telah dilakukan algoritma K-Nearest Neighbor menghasilkan tingkat akurasi yang baik dalam berbagai kasus tersebut.…”

Section: Pendahuluanunclassified

Analisis Performa Algoritma K-Nearest Neighbor dan Reduksi Dimensi Menggunakan Principal Component Analysis

Dinanti

Purwadi

2023

Jambura J. Math

View full text Add to dashboard Cite

This paper discusses the performance of the K-Nearest Neighbor Algorithm with dimension reduction using Principal Component Analysis (PCA) in the case of diabetes disease classification. A large number of variables and data on the diabetes dataset requires a relatively long computation time, so dimensional reduction is needed to speed up the computational process. The dimension reduction method used in this study is PCA. After dimension reduction is done, it is continued with classification using the K-Nearest Neighbor Algorithm. The results on diabetes case studies show that dimension reduction using PCA produces 3 main components of the 8 variables in the original data, namely PC1, PC2, and PC3. Then classification result using K-Nearest Neighbor shows that by choosing 3 closest neighbor parameters (K), for K = 3, K = 5, and K = 7. The result for K = 3 has an accuracy of 67,53%, for K = 5 had an accuracy is 72,72%, and for K=7 had an accuracy of 77,92%. Thus, it was concluded that the best accuracy performance for the classification of diabetes was achieved at K=7 with an accuracy of 77.92%.

show abstract

Section: Pendahuluanunclassified

Analisis Performa Algoritma K-Nearest Neighbor dan Reduksi Dimensi Menggunakan Principal Component Analysis

Dinanti

Purwadi

2023

Jambura J. Math

View full text Add to dashboard Cite

show abstract

“…Hal tersebut dikarenakan KNN hanya melakukan proses pembelajaran (learning) dan klasifikasi tanpa membangun model (Brawijaya et al, 2020). Seluruh data latih hanya disimpan ke dalam memori (Fajri et al, 2020). Sehingga proses klasifikasi yang dilakukan juga lebih mudah dan cepat.…”

Section: Klasifikasi Menggunakan Algoritma K-nearest Neighbor (Knn)unclassified

Implementasi Teknik Data Mining terhadap Klasifikasi Data Prediksi Curah Hujan BMKG Di Sulawesi Selatan

Agung,

Fauzi,

Nur Risal

et al. 2023

JTI

View full text Add to dashboard Cite

Abstrak Cuaca cenderung tidak stabil dan susah diprediksi mempengaruhi beberapa sektor kehidupan manusia. Pemanfaatan teknologi dibidang data sains dalam memprediksi cuaca mendatang sangat dibutuhkan. Badan Meteorologi Klimatologi dan Geofisika (BMKG) merupakan organisasi pemerintahan, bertugas memprediksi cuaca di Indonesia. Namun dalam menentukan akurasi data, diperlukan metode yang memprediksi cuaca dengan akurat. Penelitian ini bertujuan menghasilkan informasi dari klasifikasi data prediksi curah hujan BMKG di Sulawesi Selatan. Klasifikasi dibagi menjadi 5 kategori dengan 1036 data dan 11 atribut. Pengumpulan data dimulai dari 1 Januari 2020 hingga 31 Oktober 2022. K = 3 menjadi nilai K terbaik dengan akurasi mencapai 82,21%. Sehingga disimpulkan bahwa data prediksi curah hujan BMKG memiliki tingkat akurasi data yang baik dan hasil penelitian ini dapat dijadikan acuan dalam menginformasikan curah hujan di Sulawesi Selatan. Abstract The weather tends to be unstable and difficult to predict, affecting several sectors of human life. The utilization of technology in the field of scientific data in predicting future weather is urgently needed. The Meteorology, Climatology, and Geophysics Agency (BMKG) is a government organization, tasked with predicting weather in Indonesia. But in determining the accuracy of data, we require a method that predicts the weather accurately. This study aims to produce information from the classification of BMKG rainfall prediction data in South Sulawesi. Classification is divided into 5 categories with 1036 data and 11 attributes. Data collection starts from 1 January 2020 to 31 October 2022. K = 3 is the best K value with an accuracy of 82.21%. So it was concluded that BMKG rainfall prediction data has a good data accuracy level, and this study's results can be used as a reference in informing rainfall in South Sulawesi.

show abstract

“…2. METODE PENELITIAN KNN merupakan algoritma sederhana pada machine learning [13] yang bekerja dengan menggunakan konsep jarak antara titik data untuk mengklasifikasi titik data baru. Penelitian ini dilakukan dengan beberapa tahapan seperti yang terlihat pada gambar 1.…”

unclassified

Deteksi Suara Suling Sunda Menggunakan Metode Key-Nearest Neighbor

Hardiyanti,

Victor Rondonuwu

2024

View full text Add to dashboard Cite

Suling Sunda merupakan alat musik tiup tradisional yang memiliki berbagai jenis. Masing-masing jenis suling Sunda memiliki karakteristik suara yang berbeda-beda. Hal ini menghasilkan keindahan suara yang beragam, mulai dari suara yang lembut dan mendayu-dayu hingga suara yang ceria dan dinamis. Namun, mengenali jenis suling Sunda tidaklah mudah bagi sebagian orang. Oleh karena itu, diperlukan metode deteksi suara suling Sunda yang dapat dilakukan secara otomatis.Penelitian ini telah berhasil mengembangkan metode deteksi suara suling Sunda dengan metode KNN. Metode KNN dipilih karena lebih sederhana dan menghasilkan akurasi yang tinggi. Hasil penelitian menunjukkan bahwa model KNN dengan nilai k=5 memiliki akurasi sebesar 79,76% pada data uji. Akurasi ini meningkat menjadi 82,5% pada pengujian aplikasi. Penelitian ini memberikan kontribusi yang penting dalam pengembangan teknologi deteksi suara suling Sunda. Metode KNN yang dikembangkan terbukti dapat menghasilkan akurasi yang tinggi, sehingga dapat menjadi solusi untuk mengenali jenis suling Sunda secara otomatis. Implementasi model KNN pada smartphone Android juga dapat menjadi sarana untuk memperkenalkan teknologi kecerdasan buatan kepada generasi muda Indonesia. Aplikasi ini dapat digunakan untuk mendeteksi jenis suling Sunda secara langsung, sehingga dapat membantu generasi muda untuk lebih memahami keberagaman jenis-jenis suara suling Sunda.

show abstract

Evaluasi Implementasi Algoritma Machine Learning K-Nearest Neighbors (kNN) pada Data Spektroskopi Gamma Resolusi Rendah

Cited by 7 publications

References 16 publications

Analisis Performa Algoritma K-Nearest Neighbor dan Reduksi Dimensi Menggunakan Principal Component Analysis

Analisis Performa Algoritma K-Nearest Neighbor dan Reduksi Dimensi Menggunakan Principal Component Analysis

Implementasi Teknik Data Mining terhadap Klasifikasi Data Prediksi Curah Hujan BMKG Di Sulawesi Selatan

Deteksi Suara Suling Sunda Menggunakan Metode Key-Nearest Neighbor

Contact Info

Product

Resources

About