NAMA

ADE INDRA SUKMA

NIM

11353102997

MATA KULIAH /
KELAS

DATA MINING / A

DOSEN

MUSTAKIM, ST

TUGAS

REVIEW JURNAL II

JUDUL

ANALISA KLASIFIKASI KADAR KARAT EMAS

MENGGUNAKAN METODE K-NEAREST NEIGHBOURS
(KNN)

1. Tujuan Penulis
Tujuan penulis adalah untuk membantu menangani permasalahan
tersebut baik dari sisi perekaman data maupun dalam hal analisa kadar emas dan
diharapkan aplikasi yang dibangun dapat bekerja lebih baik dengan menggunakan
analisa perhitungan nilai-nilai kriterianya.
2. Kelebihan dan kekurangan jurnal
Kelebihan dari paper atau jurnal tersebut adalah dimana penulis
menjelaskan secara rinci bagaimana penerapan metode k-nearest neighbours
dalam papernya, penulis juga menjelaskan secara rinci tentang bagaimana
perhitungan metode tersebut.
Kekurangan dari jurnal tersebut adalah dimana dibagian pendahuluan
mengatakan bahwa ia membuat sebuah aplikasi desktop, hal ini membuat saya
bingung apakah penulis menganalisa sesuai judul padal jurnal tersebut atau
membangun sebuah aplikasi desktop.
3. Kesimpulan dari jurnal
Prinsip kerja K-Nearest Neighbor (KNN) adalah mencari jarak terdekat
antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya
dalam data pelatihan. Tujuan algoritma KNN adalah mengklasifikasikan obyek
baru berdasarkan atribut dan training sample. Clasifier tidak menggunakan model
apapun untuk dicocokkan dan hanya berdasarkan pada memori. Diberikan titik
query, akan ditemukan sejumlah k obyek atau (titik training) yang paling dekat
dengan titik query. Algoritma KNN menggunakan klasifikasi ketetanggaan
sebagai nilai prediksi dari query instance yang baru. Algoritma metode KNN
sangatlah sederhana, bekerja berdasarkan jarak terpendek dari query instance ke
training sample untuk menentukan KNN-nya ((Laina, 2013).
Nilai k yang terbaik untuk algoritma initergantung pada data. Secara
umum, nilai k yang 3 tinggi akan mengurangi efek pada klsifikasi, tetapi
membuat batasan antara setiap klasifikasi menjadi semakin kabur. Nilai k yang
bagus dapat dipilih dengan optimasi parameter. Kasus khusus dimana klasifikasi
diprekdisikan berdasarkan training data yang paling dekat (dengan kata lain, k=1)
disebut algoritma Nearest Neighbor.
Rumus perhitungan dengan metode KNN (Ninki, 2009)

Keterangan:
1 x = Data Sampel
2 x = Data Uji / Training
i = Variabel Data
d = Jarak
p = Dimensi Data
Cara untuk mengetahui validasi sama atau tidak sama adalah :
Sama

= Terjadi apabila hasil perhitungan KNN sama dengan

perhitungan manual
Tidak Sama = Terjadi apabila hasil perhitungan KNN berbeda
dangan hasil perhitungan manual Tidak Sama.