Penerapan Data Mining Untuk Prediksi Perkiraan Hujan dengan Menggunakan Algoritma K-Nearest Neighbor

Nursobah, Nursobah; Lailiyah, Siti; Harpad, Bartolomius; Fahmi, Muhammad

doi:10.47065/bits.v4i3.2564

Cited by 2 publications

(2 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Penerapan data mining sangat umum digunakan dalam berbagai disiplin ilmu untuk memfasilitasi dalam menyelesaikan masalah yang berkaitan dengan pengolahan data. Dalam konteks ini, data mining berperan penting dalam mengungkap wawasan baru dan memanfaatkan potensi data yang ada [12].…”

Section: Data Miningunclassified

Komparasi Algoritma Neural Network dan K-Nearest Neighbor Dalam Mendeteksi Malware Android

Ramadhan

Lindawati

Rose

2023

bits

View full text Add to dashboard Cite

The report from the State Cyber and Cryptography Agency (BSSN) recorded approximately 100 million cases of cyber attacks in Indonesia until April 2022, with ransomware and malware being the most commonly detected types of attacks. In this context, the increasingly sophisticated and hard-to-detect Android malware poses a serious threat, especially with successful penetrations into the Google Play Store. Therefore, early detection of Android malware is crucial. This research aims to compare the performance of two machine learning algorithms, Neural Network and K-Nearest Neighbors (KNN), in detecting malware on the Android platform. The dataset has been processed and divided into training and testing data. Both algorithms are trained using the training data, and their results are validated and evaluated. The research findings show that Neural Network achieves the best performance with an accuracy of 97%, precision of 97%, recall of 97%, and F1-score of 97%. Meanwhile, KNN performs slightly lower with an accuracy of 95%, precision of 96%, recall of 95%, and F1-score of 95%. In conclusion, Neural Network outperforms KNN in detecting Android malware based on accuracy and classification consistency. Further research suggestions involve the use of other algorithms, broader and more representative datasets, as well as the addition of features and parameter optimization. This research contributes to the development of accurate and effective solutions for detecting and identifying potentially harmful Android applications

show abstract

Section: Data Miningunclassified

Komparasi Algoritma Neural Network dan K-Nearest Neighbor Dalam Mendeteksi Malware Android

Ramadhan

Lindawati

Rose

2023

bits

View full text Add to dashboard Cite

show abstract

“…Masalah tersebut bisa diatasi dengan cara membuat suatu model Data Mining dengan algoritma K-Nearest Neighbor (K-NN). Proses pembelajaran data mining melibatkan pengembalian dan identifikasi data, yang selanjutnya diolah menjadi pengetahuan dan wawasan yang bernillai [11] [12]. K-Nearest Neighbor (K-NN)merupakan suatu algoritma yang digunakan untuk mencari kasus dengan melakukan estimasi sejauh mana kemiripan antara kasus baru dengan kasus yang sudah ada sebelumnya [13] [14].…”

Section: Pendahuluanunclassified

Implementasi Algoritma K-Nearest Neighbor Untuk Menentukan Klasifikasi Kelulusan Mahasiswa Teknik Informatika

Andriani,

Nazir,

Candra

et al. 2023

JoSYC

View full text Add to dashboard Cite

Kinerja sebuah universitas dapat dinilai semakin baik jika terdapat peningkatan jumlah mahasiswa yang berhasil menyelesaikan masa studinya tepat waktu. Perguruan tinggi harus meningkatkan kualitas akademik mahasiswa dalam proses perkuliahan untuk hasil yang optimal. Namun kenyataannya banyak keterlambatan kelulusan mahasiswa pada Universitas Islam Negri Sultan Syaif Kasim Riau terkhusus jurusan Teknik Informatika ini yang menjadi permasalahan. Oleh karena itu dibutuhkannya sebuah analisa mengklasifikasi data kelulusan mahasiswa dengan memanfaatkan proses data mining. Penelitian ini menerapkan algoritma K-Nearest Neighbor (K-NN) pada proses klasifikasi. Tujuan penelitian ini adalah hasil dari klasifikasi kelulusan ini diharapkan dapat memberikan kontribusi bagi pihak fakultas teknik dan universitas dalam melakukan evaluasi dan perbaikan terhadap sistem pembelajaran, sehingga menghasilkan lulusan tepat waktu dan berkualitas. Data yang digunakan pada penelitian ini sebanyak 613 data 5 tahun terakhir dari tahun 2016 hingga 2020 dengan pembagian data dengan rasio 80 data untuk pelatihan (training) dan 20 data untuk pengujian (testing). Hasil evaluasi confusion matrix dari K = 3, K = 5, K = 7 menghasilkan akurasi tertinggi diperoleh ketika K = 3 dengan akurasi 93,06%, presisi 99,09%, dan recall 99,58%. Dari hasil penelitian, dapat ditarik kesimpulan bahwa penerapan data mining berhasil menciptakan model klasifikasi dengan memanfaatkan algoritma K-Nearest Neighbor (K-NN) dalam mengklasifikasikan status kelulusan mahasiswa pada program sudi Teknik Informatika di Universitas Islam Negeri Sultan Syarif Kasim Riau

show abstract

Penerapan Data Mining Untuk Prediksi Perkiraan Hujan dengan Menggunakan Algoritma K-Nearest Neighbor

Cited by 2 publications

References 14 publications

Komparasi Algoritma Neural Network dan K-Nearest Neighbor Dalam Mendeteksi Malware Android

Komparasi Algoritma Neural Network dan K-Nearest Neighbor Dalam Mendeteksi Malware Android

Implementasi Algoritma K-Nearest Neighbor Untuk Menentukan Klasifikasi Kelulusan Mahasiswa Teknik Informatika

Contact Info

Product

Resources

About