Klasifikasi Sekolah Menengah Pertama/Sederajat Wilayah Bireuen Menggunakan Algoritma  K-Nearest Neighbors Berbasis Web

Dinata, Rozzi Kesuma; Fajriana, Fajriana; Zulfa, Zulfa; Hasdyna, Novia

doi:10.24114/cess.v5i1.14962

Cited by 10 publications

(9 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penulis memulai penelitian ini dengan melakukan studi kepustakaan dari beberapa penelitian dan sumber lain terkait penelitian ini.Terdapat beberapa penelitian terdahulu yang menjadi studi literatur dalam penelitian ini. Dalam penelitiannya (Dinata, Fajriana, Zulfa, & Hasdyna, 2020) menggunakan delapan kriteria: yaitu akreditasi, fasilitas, fasilitas atletik, laboratorium, kegiatan ekstrakurikuler, biaya, tingkat kelas, dan masa studi dengan 140 data latih dan 60 data uji dan k = 5 diperoleh nilai 79,62%. (Siregar U, Siregar R, & Arianto, 2019) melakukan penelitian untuk mengefesiensi pengolahan data komentar, dan analisis sentimen dengan menguji pengaruh k menggunakan 64 data uji dan 11, 20, 120 data latih diperoleh nilai akurasi rata-rata 94,23%.…”

Section: Studi Literaturunclassified

Analisis Metode K-Nearest Neighbor Menggunakan Rapid Miner untuk Sistem Rekomendasi Tempat Wisata Labuan Bajo

Panjaitan¹,

Pangaribuan²,

Cahyadi

2022

remik

View full text Add to dashboard Cite

Sistem rekomendasi paket wisata memerlukan informasi untuk memilih tujuan perjalanan mereka sebelum melakukan perjalanan ke tempat wisata tersebut, hal ini sangat dibutuhkan untuk destinasi wisata di Labuan Bajo. Penelitian ini bertujuan untuk membantu wisatawan Labuhan Bajo mendapatkan rekomendasi tempat wisata sesuai dengan jenis wisata dan harga yang diinginkan. Penelitian ini menggunakan tiga variable sebagai kriteria yaitu aktifitas, jenis wisata dan jenis harga. Dengan melakukan pengujian menggunakan algoritma K-Nearest Neigbour (KNN) dan aplikasi Rapidminer dimana nilai K=5, maka ditemukan akurasi sebesar 83,33%. Dari 18 data yang digunakan hanya ada 2 destinasi yang tidak sesuai dengan prediksi sedangkan 16 data lain sesuai dengan prediksi. Hasil analisa membuktikan bahwa metode KNN yang digunakan dapat menjadi acuan untuk merekomendasi tempat wisata kepada wisatawan di Labuan Bajo.

show abstract

Section: Studi Literaturunclassified

Analisis Metode K-Nearest Neighbor Menggunakan Rapid Miner untuk Sistem Rekomendasi Tempat Wisata Labuan Bajo

Panjaitan¹,

Pangaribuan²,

Cahyadi

2022

remik

View full text Add to dashboard Cite

show abstract

“…The way the K-Nearest Neighbor algorithm works is to find the closest distance between the data to be evaluated with the closest k-neighbors in a training data. [15].…”

Section: K-nearest Neighbormentioning

confidence: 99%

Machine Learning Approach to Determine the Drug-Prone Areas in Lhokseumawe City, Indonesia

2022

IJMRA

View full text Add to dashboard Cite

This research aims to apply Machine Learning algorithms, such as K-means and K-nearest neighbor into a system that can determine drug-prone areas in Lhokseumawe City, Indonesia. The results of the k-means calculation in some clusters of areas that are very prone, prone and not prone to drugs based on drug user data with some criterias, namely the number of users, sub- district, education, occupation and types of drugs. Based on the research that tested by using the k-means algorithm on data on drug users in 2018-2021, the average percentage of clusters in very prone areas is 49.50%, the percentage of clusters in prone areas is 29.26% and the percentage of clusters in non-prone areas is 21.23%. Furthermore, the results of testing with the K-NN algorithm with 98 training data and 20 testing data obtained an average accuracy value of 87%.

show abstract

“…Salah satu metode klasifikasi terhadap sekumpulan data berdasarkan pembelajaran data yang sudah terklasifikasikan sebelumya adalah K-NN [8]. K-NN termasuk dalam golongan supervised learning, dimana hasil query instance yang baru diklasifikasikan berdasarkan mayoritas kedekatan jarak dari kategori yang ada dalam K-NN [9].…”

Section: K-nearest Neighborunclassified

Analisis Matthew Correlation Coefficient pada K-Nearest Neighbor dalam Klasifikasi Ikan Hias

Hasdyna¹,

Dinata²

2020

INFORMAL

Self Cite

View full text Add to dashboard Cite

K-Nearest Neighbor (K-NN) is a machine learning algorithm that functions to classify data. This study aims to measure the performance of K-NN algorithm by using Matthew Correlation Coefficient (MCC). The data that used in this study are the ornamental fish which consisting of 3 classes named Premium, Medium, and Low. The analysis results of the Matthew Correlation Coefficient on K-NN using Euclidean Distance obtained the highest MCC value in Medium class which is 0.786542. The second highest MCC value is in Premium class which is 0.567434. The lowest MCC value is in Low class which is 0.435269. Overall, the MCC values is statistically which is 0,596415.

show abstract

Klasifikasi Sekolah Menengah Pertama/Sederajat Wilayah Bireuen Menggunakan Algoritma K-Nearest Neighbors Berbasis Web

Cited by 10 publications

References 1 publication

Analisis Metode K-Nearest Neighbor Menggunakan Rapid Miner untuk Sistem Rekomendasi Tempat Wisata Labuan Bajo

Analisis Metode K-Nearest Neighbor Menggunakan Rapid Miner untuk Sistem Rekomendasi Tempat Wisata Labuan Bajo

Machine Learning Approach to Determine the Drug-Prone Areas in Lhokseumawe City, Indonesia

Analisis Matthew Correlation Coefficient pada K-Nearest Neighbor dalam Klasifikasi Ikan Hias

Contact Info

Product

Resources

About