Perbandingan Metode Klasifikasi Multiclass untuk Pemetaan Zona Risiko COVID-19 di Pulau Jawa

Ringo, Jesica Nauli Br. Siringo; Mursalin, Wahyu Joko; Nurfadilah, Nisrina Citra; Ramadhan, Dwiky Rachmat; Madjida, Wa Ode Zuhayeni

doi:10.35508/jicon.v9i1.3602

Cited by 3 publications

(2 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Proses ini merupakan tahap penting dalam pengolahan data karena di sini data akan di persiapkan untuk diolah lebih lanjut. Selain itu, preprocessing juga bertujuan untuk menghilangkan masalah-masalah yang mungkin terdapat pada data seperti missing value [14], [15] dan ketidakseimbangan data [14].…”

Section: B Decision Treeunclassified

Komparasi Algoritma Decision Tree Dan KNN Dalam Mengklasifikasi Daerah Berdasarkan Produksi Listrik

Harriz,

Setiyowati

2023

J. Inf. dan Komp.

View full text Add to dashboard Cite

Pilihan negara yang sedang tumbuh dan berkembang, memiliki jumlah penduduk yang besar dan luas wilayah yang luas yaitu India sebagai contoh untuk diteliti. Listrik komponen vital dan berperan penting. Peneliti melakukan perbandingan akurasi antara dua algoritma pembelajaran mesin yang populer, yaitu Decision Tree dan KNN (K-Nearest Neighbor). Dataset yang berisi sampel sebanyak 345273 digunakan dan validasi dengan metode StratifiedKFold sebanyak 33 bagian dilakukan untuk mengevaluasi hasil klasifikasi dari kedua algoritma tersebut. Hasil dari penelitian ini menunjukkan bahwa algoritma Decision Tree yaitu 85.78% dan memiliki akurasi yang lebih tinggi dibandingkan dengan KNN yang memiliki akurasi sebesar 80.34% dalam mengklasifikasi daerah di India berdasarkan produksi listrik yang dihasilkan. Selain itu, temuan lainnya yaitu Decision Tree memiliki waktu komputasi yang lebih cepat yaitu 51.66 detik dibandingkan dengan KNN yang memiliki waktu komputasi sebesar 56.27 detik. Kesimpulan dari penelitian ini adalah bahwa algoritma Decision Tree memiliki akurasi yang lebih tinggi dibandingkan dengan algoritma KNN. Selain itu, Decision Tree juga memiliki waktu komputasi yang lebih cepat. Dengan demikian, algoritma Decision Tree dapat menjadi pilihan yang lebih baik dalam melakukan klasifikasi.

show abstract

Section: B Decision Treeunclassified

Komparasi Algoritma Decision Tree Dan KNN Dalam Mengklasifikasi Daerah Berdasarkan Produksi Listrik

Harriz,

Setiyowati

2023

J. Inf. dan Komp.

View full text Add to dashboard Cite

show abstract

“…Pada penelitian sebelumnya (Rachmatika dan Bisri, 2020), menyimpulkan bahwa kedua metode tersebut memiliki kinerja yang sama baik pada proses evaluasi kinerja akademik mahasiswa. Namun dalam penelitian (Ringgo dkk., 2021) menunujukkan algoritma K-NN memiliki tingkat akurasi yang lebih tinggi dibandingkan metode klasifikasi lainnya dalam klasifikasi pemetaan zona risiko covid-19. Akan tetapi pada penelitian (Hikmah dan Yasa, 2021) menunjukkan bahwa metode neural network (NN) lebih akurat dari pada K-NN dengan nilai 71% untuk NN, dan 66% untuk K-NN.…”

Section: Pendahuluanunclassified

Perbandingan Metode K-Nearest Neighbor (K-NN) Dan Neural Network (NN) Dalam Prediksi Saham PT. Telkom Indonesia Tbk (TLKM)

Maulida,

Septima,

Syahputra

2022

JURTIE

View full text Add to dashboard Cite

Prediksi harga saham PT. Telkom Indonesia, Tbk., perlu dilakukan untuk mengetahui apakah harga saham akan mengalami kenaikan, tetap atau mengalami penurunan dalam waktu mendatang. Dimana secara umum disebabkan karena penawaran lebih kecil dari permintaan akan mengakibatkan harga saham naik demikian sebaliknya apabila permintaan lebih kecil dari penawaran, maka mengakibatkan harga saham turun Prediksi atau peramalan harga saham dapat dilakukan melalui teknik regresi, klasifikasi dan klasterisasi. Dalam hal ini penulis akan membandingkan dua metode dalam teknik klasifikasi yaitu metode k-nearest neighbor (K-NN) dan neural network (NN), untuk mengetahui metode manakah yang lebih akurat dengan komposisi simulasi data latih dan uji yang sama menggunakan tools RapidMiner versi 5. Kemudian untuk menevaluasi kinerja masing-masing metode agar didapatkan manakah metode yang terbaik penulis menggunakan metode Root Mean Square Error (RMSE). Adapun hasil pengujian prediksi harga saham PT. Telkom Indonesia, Tbk., dengan komposisi dataset 90:10 diperoleh nilai RMSE 482.9358 dengan jumlah k=3 untuk metode k-NN dan nilai RMSE 70.07695 dengan jumlah input layer= 5 (1 bias layer), hidden layer= 5 (1 bias layer), dan 1 output layer untuk metode NN. Sehingga berdasarkan hasil pengujian pada data testing, maka metode NN merupakan metode yang lebih akurat.

show abstract

Innovation in Coping with the COVID-19 Pandemic: The Best Practices from Five Smart Cities in Indonesia

et al. 2021

View full text Add to dashboard Cite

In relation to innovations which help to cope with the COVID-19 pandemic, the best practices of several smart cities become an important input to organize and create strategies for future cities. This research aims to identify the responses of cities to the COVID-19 pandemic; analyze their innovation in tackling the COVID-19 pandemic; and create strategies and planning for the future of the cities. This study analyzes aspects such as the use of information and communication technology (ICT), smart city implementation, the biological disaster of the COVID-19 pandemic, the environment, and spatial plans. This research was carried out in five smart cities using a case study. The results indicated that each case had innovations for coping with the COVID-19 pandemic. They showed a uniqueness and local innovations adapted to the problems faced in the five case areas. The innovations were demonstrated by the use of ICT-based applications in several public services as part of smart city implementation. The concept of a smart city, which addresses the biological disaster of the COVID-19 pandemic through the existence of ship-based isolation centers and sociotechnical innovations, was then adapted in various cities throughout Indonesia. In terms of the smart environment concept, this is translated through technological and social innovation approaches to improve medical and domestic waste management, public service systems, and the socialization of environmental protection programs in cities during the pandemic. The COVID-19 pandemic is allegedly accelerating the implementation of the smart city concept in spatial planning. There is a tendency for the use of public space in the city center to shift to local-scale service centers. Additionally, other activities are increasingly occupying the digital space so that it affects the arrangement of spatial organization and increases the need for ICT infrastructure. The efficient and flexible use of applications for supporting the implementation of smart cities needs to be broadened for the public services provided by both the government and private sectors. Meanwhile, in relation to the dimensions of a smart environment, it is necessary to take into account the waste management as a result of COVID-19. The same case is the aspect of spatial planning in which it is necessary to redesign open spaces for public use. City planning in the future also needs to be capable of the smart mitigation of non-physical disasters, such as the COVID-19 pandemic.

show abstract

Perbandingan Metode Klasifikasi Multiclass untuk Pemetaan Zona Risiko COVID-19 di Pulau Jawa

Cited by 3 publications

References 5 publications

Komparasi Algoritma Decision Tree Dan KNN Dalam Mengklasifikasi Daerah Berdasarkan Produksi Listrik

Komparasi Algoritma Decision Tree Dan KNN Dalam Mengklasifikasi Daerah Berdasarkan Produksi Listrik

Perbandingan Metode K-Nearest Neighbor (K-NN) Dan Neural Network (NN) Dalam Prediksi Saham PT. Telkom Indonesia Tbk (TLKM)

Innovation in Coping with the COVID-19 Pandemic: The Best Practices from Five Smart Cities in Indonesia

Contact Info

Product

Resources

About