Klasifikasi Aroma Alkohol Menggunakan Metode KNN

Admojo, Fadhila Tangguh; Ahsanawati,

doi:10.33096/ijodas.v1i2.12

Cited by 11 publications

(12 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Berdasarkan pengujian dari 30 buah jeruk didapatkan nilai k terbaik adalah k=11 dengan akurasi sebesar 80%. Sedangkan penelitian lain berjudul Klasifikasi Aroma Alkohol Menggunakan Metode K-NN, yang dilakukan oleh Fadhila Tangguh Admojoa dan Ahsanawati [14], yaitu hasil dari penelitian ini keseluruhan data berhasil diklasifikasikan dengan baik sehingga memperoleh rata-rata 95.8% untuk k=3 dan 96.4% untuk k=4. Penerapan crossvalidation pada metode K-NN cukup baik untuk melihat perubahan nilai k pada setiap uji cobanya.…”

Section: Pendahuluanunclassified

Klasifikasi Motif Batik Banyuwangi Menggunakan Metode K-Nearest Neighbor (K-NN) Berbasis Android

Harlina

Handayani

2022

jipi. jurnal. ilmiah. penelitian. dan. pembelajaran. informatik

View full text Add to dashboard Cite

2) ABSTRAKSeperti kota lain yang berada di pulau Jawa, Banyuwangi memiliki batik khas sendiri. Motif batik Banyuwangi juga memiliki keunikan sendiri, apalagi motif yang dimiliki sangat beragam. Sejarah dan filosofi dari motif batiknya sangat menarik terutama motif gajah oling merupakan batik tertua dan paling dikenal di wilayah Banyuwangi. Dimana generasi orang muda saat ini sudah tidak bisa mengenali motif batik dari daerah asalnya, dan tidak bisa mengklasifikasikan batik menurut filosofi, jenis, motif dan warna. Kondisi ini dapat mengakibatkan masyarakat luas tidak mengerti sejarah dari kerajinan batik Banyuwangi. Selain itu juga masyarakat tidak tahu arti dari filosofi dari batik yang sering digunakan. Dalam penelitian ini dibuat mengenai klasifikasi motif kain batik khas Banyuwangi serta membuat aplikasi untuk mengidentifikasi tekstur dari beberapa jenis motif batik khas Banyuwangi agar orang awam dan generasi penerus mudah mengenali beberapa jenis motif batik. Berdasarkan referensi yang ada ketika mengidentifikasi tekstur motif batik Banyuwangi menggunakan parameter hasil dari ekstraksi warna RGB dari motif batik Banyuwangi. Dimana pengujian tersebut menggunakan fitur minimal dan maximal dari red, green dan blue. Algoritma yang digunakan adalah K-Nearest Neighbor (K-NN) untuk proses klasifikasi suatu citra motif batik. Aplikasi tersebut diimplementasikan melalui aplikasi sistem berbasis android agar lebih mudah digunakan dan lebih aplikatif. Aplikasi ini sudah mampu mengidentifikasi motif batik khas Banyuwangi dengan akurasi mencapai 85%.

show abstract

Section: Pendahuluanunclassified

Klasifikasi Motif Batik Banyuwangi Menggunakan Metode K-Nearest Neighbor (K-NN) Berbasis Android

Harlina

Handayani

2022

jipi. jurnal. ilmiah. penelitian. dan. pembelajaran. informatik

View full text Add to dashboard Cite

show abstract

“…Sebanyak 66% kasus berasal dari Papua, Papua Barat, Nusa Tenggara Timur dan Maluku. K-Nearest Neighbor (K-NN) dilakukan dengan mencari kelompok objek dalam data training yang paling dekat (mirip) dengan objek pada data baru atau data testing [4]- [6]. Performa dari klasifikasi dapat dievaluasi dengan menghitung nilai akurasi, pada penelitian sebelumnya telah melakukan pengukuran nilai akurasi pada objek 120 data penyakit malaria, dimana data latihnya 80 dan data ujinya sebanyak 40.…”

Section: Pendahuluanunclassified

Analisis Penerapan Metode K-Nearest Neighbor (K-NN) pada Dataset Citra Penyakit Malaria

Aisyah

Anraeni

2022

ijodas

View full text Add to dashboard Cite

Malaria adalah penyakit yang disebabkan oleh parasit protozoa dari genus plasmodium yang menginfeksi sel darah merah. Penyakit malaria menjadi masalah kesehatan masyarakat yang penting, karena penyakit ini dapat menimbulkan gangguan Kesehatan dan dapat menurunkan produktivitas kerja bahkan dapat mengakibatkan kematian. Penelitian ini menggunakan sebanyak 1000 dataset citra penyakit malaria terinfeksi dan malaria tidak terinfeksi. Dataset tersebut dikelola oleh U.S National Library of Medicine College Hospital hingga tahun 2018. Tujuan dari penelitian ini untuk menganalisis performa (akurasi, presisi, recall dan f-measure) pada dataset citra penyakit malaria terinfeksi dan malaria tidak terinfeksi. Tahapan yang dilakukan yaitu: deteksi tepi canny, ekstraksi fitur hu moment invariant, klasifikasi metode K-NN, serta menggunakan berbagai simulasi rasio dataset dan nilai K=2 sampai K=10. Hasil penelitian dari simulasi rasio dataset 80:20 memperoleh nilai akurasi 84%, presisi 88%, recall 92% dan f-measure 90% dengan menggunakan nilai K=6.

show abstract

“…[3] Penentuan kemiripan suatu data dapat di gun akan metode pengukuran jarak, salah satunya yaitu K-Nearest Neighbor (K-NN). K-NN merupakan metode pengukuran yang paling sering digunakan untuk menentukan kesamaan dua vektor [4][5] [6].…”

Section: Pendahuluanunclassified

Analisis Performa Metode K- Nearest Neighbor (KNN) dan Crossvalidation pada Data Penyakit Cardiovascular

Putri

2021

ijodas

View full text Add to dashboard Cite

Secara global, penyebab kematian nomor satu setiap tahunnya adalah penyakit Cardiovascular. Penyakit cardiovascular adalah penyakit yang disebabkan gangguan fungsi jantung dan pembuluh darah, seperti Penyakit Jantung Koroner, Penyakit Gagal jantung atau Payah Jantung, Hipertensi dan Stroke. (Kemenkes RI, 2014). Tujuan dari penelitian ini adalah mengukur performa (akurasi, presisi, recall dan f-measure) metode knn dan crossvalidation pada dataset cardiovascular. dataset yang digunakan sebanyak 1000 record terdiri dari 11 atribut (age, gender, height, dsb) data pasien cardiovascular dan non cardiovascular, dataset tersebut diperoleh dari UCI Machine Learning Repository yang dikelola oleh Hungarian Institute of Cardiology Budapest: Andras Janosi, M.D., University Hospital, Zurich, Switzerland. Tahapan yang dilakukan yaitu: membagi rasio simulasi dataset (20:80, 50:50, 80:20), penerapan crossvalidation (k-fold=10) dan klasifikasi menggunakan metode K-NN (k=2 hingga K=900), Hasil penelitian dari simulasi rasio dataset 50:50 memperoleh nilai akurasi 82%, presisi 82%, recall 82% dan f-measure 80% pada nilai K=13. Kemudian hasil penelitian dari simulasi rasio dataset 20:80 memperoleh nilai akurasi 87%, presisi 87%, recall 97% dan f-measure 92% pada nilai K=3. Dan hasil penelitian dari simulasi rasio dataset 80:20 memperoleh nilai akurasi 91%, presisi 92%, recall 60% dan f-measure 72% pada nilai K=5.

show abstract

Klasifikasi Aroma Alkohol Menggunakan Metode KNN

Cited by 11 publications

References 1 publication

Klasifikasi Motif Batik Banyuwangi Menggunakan Metode K-Nearest Neighbor (K-NN) Berbasis Android

Klasifikasi Motif Batik Banyuwangi Menggunakan Metode K-Nearest Neighbor (K-NN) Berbasis Android

Analisis Penerapan Metode K-Nearest Neighbor (K-NN) pada Dataset Citra Penyakit Malaria

Analisis Performa Metode K- Nearest Neighbor (KNN) dan Crossvalidation pada Data Penyakit Cardiovascular

Contact Info

Product

Resources

About