LAPORAN DATA MINING DAN ANALITICAL BUSINESS

PENERAPAN PERHITUNGAN METODE ESTIMASI

DENGAN ALGORITMA KNN BERBASIS WEB

Dosen pengampu : Siti Mutrofin M.Kom

Oleh : Kelompok 7

1. Bagus Prasetyo (41150xx)

2. M Afif Fudin (4115045)
3. M Sulaiman (41150xx)
4. Zanuar Eriawan (41150xx)

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS PESANTREN TINGGI DARUL ‘ULUM (UNIPDU)
JOMBANG
2018
 KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmatNYA
sehingga makalah ini dapat tersusun hingga selesai . Tidak lupa kami juga
mengucapkan banyak terimakasih atas bantuan dari pihak yang telah berkontribusi
dengan memberikan saran dan masukan serta sumbangan baik materi maupun
pikirannya dalam menyelesaikan makalah ini terutama kepada Ibu Siti Mutrofin
S.Kom M.Kom selaku dosen pengampuh.
 DAFTAR ISI
KATA PENGANTAR...................................................................................................2

DAFTAR ISI.................................................................................................................3

BAB I.............................................................................................................................7

PENDAHULUAN.........................................................................................................7

1.1 Latar Belakang...............................................................................................7

1.2 Rumusan Masalah..........................................................................................8

1.3 Batasan Masalah............................................................................................8

1.4 Tujuan Penelitian...........................................................................................8

1.5 Manfaat Penelitian.........................................................................................8

BAB II...........................................................................................................................9

LANDASAN TEORI....................................................................................................9

2.1 Sistem Informasi............................................................................................9

2.2 Metode Estimasi............................................................................................9

2.3 Algoritma KNN.............................................................................................9

2.4 Pengertian CPU...........................................................................................11

2.5 UML............................................................................................................11

2.6 Website........................................................................................................11

2.7 PHP..............................................................................................................12

BAB III........................................................................................................................13

PERANCANGAN.......................................................................................................13

3.1 Analisis Kebutuhan......................................................................................13

Gambar 3.1 use case diagram perhitungan knn..................................................15

 3.2 Perancangan Sistem.....................................................................................15

Gambar 3.2 Activity Diagram user......................................................................16

Gambar 3.3 squence diagram..............................................................................17

C. Conceptual Datal Model (CDM) dan Physical Data Model (PDM)...........18

Gambar 4.4 Conceptual Data Model...................................................................18

Gambar 4.5. physical data model........................................................................19

BAB IV........................................................................................................................20

IMPLEMENTASI DAN PENGUJIAN.......................................................................20

4.1 Lingkungan Implementasi...........................................................................20

Gambar 4.1 Spesifikasi Perangkat Keras............................................................20

4.2 Implementasi dan Pengujian Program.........................................................21

Gambar 4.2 Antar muka Halaman Login.............................................................21

Gambar 4.3 halaman utama setelah login............................................................23

Gambar 4.4 halaman tambah kolom....................................................................23

Gambar 4.5 halaman tambah atribut (tambah Baris)...........................................24

Gambar 4.6 contoh sample data latih dan data uji...............................................25

Gambar 4.7 perhitungan normalisasi data...........................................................26

Gambar 4.7 perhitungan jarak ekludien..............................................................27

Gambar 4.8 perhitungan jarak ekludien setelah data uji dimasukkan.................28

Gambar 4.9 pengurutan ASC...............................................................................29

4.3 Tutorial Instalasi dan Penggunaannya.........................................................29

4.3.2 Penggunaan Sistem......................................................................................30

4.4 Penjelasan Koding Algoritma......................................................................31

Gambar4.11 Rumus Normalisasi.........................................................................32

 Gambar4.12 Screenshot coding menghitung jarak ecludien Distance................33

Gambar 4.13 Rumus Menentukan Jarak Eucludien............................................33

Gambar4.14 Screenshot menghitung jarak ecludien Distance............................34

Gambar 4.14 Screenshot Coding Penentuan Nilai k dan Rangking....................35

Daftar Pustaka..............................................................................................................36
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Beberapa orang tahu dan paham menggunakan alat yang namanya komputer,
akan tetapi jarang diantara orang yang dapat mengoperasikan komputer tersebut
mengenal nama perangkat juga sistem kerja dari komputer itu sendiri. Oleh karena
itu alangkah lebih bijaksananya kita tahu, paham, dan mengerti mengenai perangkat
komputer dan cara kerjanya khusunya pada bagian CPU.

Perkembangan teknologi informasi di era ini tak dapat dibendung lagi

sehingga berdampak pada semakin banyaknya masyarakat yang menggunakan dan
menggantungkan kegiatan serta pekerjaannya kepada teknologi yang dimana semua
pekerjaan dapat dikerjakan dengan cepat dan mudah. Meskipun teknologi informasi
memberikan akses data yang lengkap namun juga membutuhkan media penyimpanan
yang besar. Dengan besarnya sebuah Data maka akan membutuhkan ruang yang
besar untuk menyimpannya dan terkadang juga data itu dianggap tidak berguna.

Akan tetapi dengan adanya teknologi analisis data (Data Mining) maka data
yang tidak berguna itu bisa menjadikan sebuah informasi yang sangat berguna entah
itu dalam bidang Bisnis, Pendidikan, maupun Politik akan sangat membantu. Data
yang di olah menggunakan Data mining bisa menhasilkan perkiraan ataupun prediksi.

Salah satu metode yang di gunakan di Data Mining adalah Metode Estimasi,
dan Algoritma yang di gunakan ialah KNN ( K Nearest Neigbhor ). Merupakan salah
satu yang sering digunakan, yang mana algoritma ini melakukan klasifikasi
berdasarkan (K) tetangga terdekat. Hal itulah yang mendasari merancang suatu sistem
yang dapat melakukan pengujian data berdasarkan metode dang algoritma yang sudah
di tentukan di atas.

1.2 Rumusan Masalah

a. Bagaimana perhitungan menggunakan metode estimasi dan Algoritma

KNN.
b. Bagaimana merancang dan membangun aplikasi penerapa metode estimasi
dan algoritma KNN berbasis WEB.

1.3 Batasan Masalah

a. Sistem hanya mencakup proses perhitungan menggunaka metode estimasi

dan algoritma KNN.
b. Laporan hanya membahas tentang Metode Estimasi dan Algoritma KNN

1.4 Tujuan Penelitian

a. Untuk menyelesaikan tugas mata kuliah Data mining

b. Untuk menghasilkan aplikasi berbasis web yang dapat menguji data
menggunakan Metode Estimasi dan Algoritma KNN.

1.5 Manfaat Penelitian

a. Memahami bagaimana proses Data mining mengunakan Metode Estimasi

dan Algoritma KNN.
b. Menghasilkan Aplikasi berbasis WEB yang dapat menguji data dengan
Metode Estimasi dan Algoritma KNN.
 BAB II

LANDASAN TEORI
2.1 Sistem Informasi

Sistem informasi adalah suatu sistem di dalam suatu organisasi yang

mempertemukan kebutuhan pengolahan data transaksi harian, mendukung operasi,
bersifat manajerial, dan kegiatan strategi dari suatu organisasi serta menyediakan
pihak luar tertentu dengan laporan-laporan yang diperlukan[ CITATION Dan14 \l
1033 ]

2.2 Metode Estimasi

Menurut Kamus Besar Bahasa Indonesia (KBBI) Estimasi adalah perkiraan,

penilaian atau pendapat. Estimasi adalah suatu metode dimana kita dapat
memperkirakan nilai dari suatu populasi dengan menggunakan nilai dari sampel.
Estimator adalah nilai pendugaan/suatu data statistik, sebagai sampel yang digunakan
untuk mengisi suatu parameter.

2.3 Algoritma KNN

Algoritma K-Nearest Neighbor (KNN) adalah merupakan sebuah metode

untuk melakukan klasifikasi terhadap obyek baru berdasarkan (K) tetangga
terdekatnya. (Gorunescu,2011). KNN termasuk algoritma supervised learning,
dimana hasil dari query instance yang baru, diklasifikasikan berdasarkan mayoritas
dari kategori pada KNN. Kelas yang paling banyak muncul yang akan menjadi kelas
hasil klasifikasi[ CITATION Muh14 \l 1033 ].

Algoritma KNN didasarkan pada pembelajaran dengan analogi yaitu dengan

membandingkan contoh tes yang diberikan dengan contoh-contoh pelatihan yang
mirip. Contoh pelatihan dijelaskan oleh atribut n. setiap contoh merupakan titik dalam
ruang n-dimensi. Dengan cara ini, semua contoh pelatihan disimpan diruang pola n
dimensi. Ketika diberikan contoh yang tidak diketahui, algoritma KNN mencari
ruang pola untuk contoh k pelatihan yang paling dekat dengan contoh yang tidak
diketahui. Contoh k pelatihan ini adalah k “Nearest Neighbour” dari contoh diketahui
“kedekatan” yang didefinisikan dalam hal jarak metrik, seperti pada jarak
Euelidean[ CITATION Wil18 \l 1033 ].

KNN merupakan algoritma non parametric lazy learning. Hal ini dikarenakan
algoritma KNN tidak membuat asumsi apapun pada distribusi data pokok.
Keuntungan ini karena mayoritas data praktis tidak mematuhi asumsi teoritis yang
dibuat dan disinilah algoritma non parametric seperti KNN digunakan. KNN juga
merupakan algoritma lazy learning dikarenakan tidak menggunakan generalisasi
sehingga fase training sangat cepat. Kurangnya generalisasi artinya KNN menyimpan
semua data training. KNN menghasilkan keputusan berdasarkan seluruh training
dataset. Misalkan setiap sample pada dataset memiliki atribut n yang digabungkan
untuk membentuk vector berdimensi n:

X=(x1, x2, x3,….xn)

Atribut n dianggap sebagai variable independen yang nilainya bergantung

pada n yang lain atribut x. asumsikan y adalah variable kategori dan terdapat fungsi
scalar f, yang mewakili kelas untuk setiap vector. Kita tidak mengetahui apapun
tengan f(jika tidak ada kebutuhan untuk data mining) kecuali kita asumsikan sangat
halus. Kita mengira bahwa satu set T vector tersebut diberikan bersamaan dengan
kelas yang sesuai.

X(i), Y(i) untuk i = 1, 2, 3, …. T

Set ini disebut sebagai training set. Kita anggap kita memberikan sample baru
dimana x = u. kita harus menemukan kelas dimana sample ini berasal. Bila kita
mengetahui fungsi f, maka dengan mudah kita dapat menghitung v = f(u) untuk
mengetahui bagaimana kita mengklasifikasikan sample baru ini tetapi tentu saja kita
tidak mengetahui apapun tentang f kecuali f cukup halus[ CITATION Wil18 \l
1033 ].

2.4 Pengertian CPU

CPU adalah otak dari komputer. Pekerjaan utama dari CPU adalah
mengerjakan program yang terdiri atas istruksi-instruksi komputer oleh programmer.
Suatu program komputer akan menginstruksikan CPU untuk membaca informasi dari
piranti input, membaca informasi dari dan menulis informasi ke memori, dan untuk
menulis informasi ke output[ CITATION RRI15 \l 1033 ].

2.5 UML

UML ( Unified Modeling Language) di definisikan sebagai Salah satu alat

bantu yang sangat handal di dunia pengembangan sistem yang berorientasi obyek.
Hal ini disebabkan karena UML menyediakan pemodelan visual yang memungkinkan
bagi pengembang sistem untuk membuat cetak biru atas visi mereka dalam bentuk
yang baku, mudah dimengertiserta dilengkapi dengan mekanisme yangefektif untuk
berbagi (sharing) dan mengkomunikasikan rancangan mereka dengan yang lain.
UML merupakan standar yang relatif terbuka yang di kontrol oleh Object
Management Group (OMG), sebuah konsorsium terbuka yang terdiri dari banyak
perusahaan. Dimana OMG dibentuk untuk membuat standar-standar yang
mendukung interoperabilitas, khusunya untuk sistem berorientasi obyek.

2.6 Website

Website adalah lokasi di internet yangmenyajikan kumpulan informasi

sehubungan dengan profil pemilik situs. Website adalah suatu halaman yang memuat
situs-situs web page yang berada di internet yang berfungsi sebagai media
penyampaian informasi, komunikasi, atau transaksi[ CITATION Rul13 \l 1033 ]
2.7 PHP

PHP adalah bahasa pemrograman skrip sederhana yang digunakan untuk

pemrosesan HTML Form di dalam halaman web. Strukturnya sangat sederhana
sehingga PHP dapat dengan mudah dipelajari programmer pemula, bahkan oleh
orang_orang tanpa latar belakang Teknologi Informasi. Hal inilah yang menyebabkan
PHP sangat cepat populer di kalangan pengembang aplikasi web. Membuat program
menggunakan PHP itu mudah, cukup sediakan saja sebuah program editor teks
sederhana untuk menuliskan programnya, seperti Notepad (Windows) dan vi editor
(Linux), atau program editor yang lebih advance, seperti EditPlus, Notepad++, atau
Dreamweaver. Ekstensi file PHPyang umum digunakan adalah .php (selain .php3 dan
.phtml)[ CITATION Rul13 \l 1033 ].
 BAB III

PERANCANGAN

3.1 Analisis Kebutuhan

Analisis kebutuhan merupakan tahap yang dilakukan untuk mengidentifikasi

jenis – jenis informasi yang dibutuhkan oleh pengguna aplikasi.

A. Kebutuhan Fungsional

Kebutuhan Fungsional adalah kebutuhan yang berisi proses-proses apa saja

atau layanan apa saja yang nantinya harus disediakan oleh sistem, mencakup
bagaimana sistem harus bereaksi pada input tertentu dan bagaimana perilaku sistem
pada situasi tertentu. Adapun kebutuhan fungsioanal dari sistem perhitungan estimasi
menggunakan algoritma knn sebagai berikut :

a. Sistem meberikan beberapa login bagi admin.

b. Sistem dapat menampilkan nilai k .
c. Sistem dapat menampilkan hasil normalisai
d. Sistem dapat menampilkan jarak ekludien.

B. Kebutuhan Non Fungsional

 Kebutuhan non fungsional adalah kebutuhan yang menitikberatkan pada
perilaku yng di miliki sistem. Adapun kebutuhan non-fungsional pada sistem adalah
sebagai berikut :

1. User Friendly yaitu kebutuhan non-fungsional yang memudahkan pengguna

dalam menjalankan sistem atau perangkat lunak.
2. View yaitu kebutuhan non-fungsional yang bisa membuat setiap orang bisa
menampilkan aplikasi tersebut pada homepage tanpa harus login terlebih dahulu.
3. Security yaitu kebutuhan non-fungsional yang memberikan keamanan sistem
agar tidak dapat di akses oleh orang yang tidak berwenang tanpa login terlebih
dahulu.

. Use Case diagram adalah diagram yang menggambarkan interaksi antara

sistem dengan sistem eksternal pengguna.

Use Case Diagram proses dari sistem penggunaan aplikasi tersebut.

Adapun admin bisa melakukan perhitungan metode estimasi dengan

menggunakan algoritma knn.

Untuk use case diagram proses perhitungan aplikasi. Dapat dilihat pada
gambar 3.1.
 Gambar 3.1 use case diagram perhitungan knn

3.2 Perancangan Sistem

Tujuan perancangan sistem yang pertama lebih di kenal dengan istilah

perancangan sistem secara logikal (logical system design) adalah memberikan
gambaran secara umum kepada pemakai sistem tentang sistem teknologi yang baru.
yang kedua adalah sistem terinci (detail system design) di maksudkan untuk
menggambarkan bentuk fisik dari komponen-komponen sistem teknologi informasi
yang akan di bangun oleh pemrograman dan ahli Teknik lainnya[ CITATION
Fah11 \l 1033 ].
 A. Activity Diagram

Proses ini menggambarkan tentang semua aktivitas user. Karena data – data
pada sistem ini menjabarkan semua data yang ada pada sistem. Untuk tampilan
activiy diagram dapat dilihat pada Gambar 3.2.

Gambar 3.2 Activity Diagram user

 B. Squance Diagram

Pada squence diagram ini dibuat untuk menjelaskan alur perhitungan metode
estimasi dengan algoritma knn. Adapun gambar sequence diagram dapat dilihat pada
gambar 3.3.

Gambar 3.3 squence diagram

 Adapun keterangan dari tampilan Sequence diagram :

1. Pengguna memasukkan username dan password

2. Apabila salah akan kembali ke form login dan jika benar maka sistem
akan menampilakn dashboard
3. Pada menu dashboard bisa memilih menu tindakan dan sistem akan
menampilkan tindakan yang dipilih.

C. Conceptual Datal Model (CDM) dan Physical Data Model (PDM)

1. Conceptual Data Model (CDM)

Conceptual Data Model atau biasa disebut dengan CDM adalah model yang
dibuat berdasarkan anggapan bahwa dunia nyata terdiri dari koleksi obyek dasar yang
dinamakan entity serta relasi antar entity. (Hanif Rahmadani, 2010-2011). Untuk
tampilan Conceptual Data Model dapat dijelaskan pada gambar berikut. Adapun
gambar cdm dapat dilihat pada gambar 4.4.
 Gambar 4.4 Conceptual Data Model

2. Physical Data Model (PDM)

Physical Data Model atau biasa disebut PDM merupakan model yang
menggunakan sejumlah table untuk menggambakan data serta hubungan antar data-
data tersebut. Setiap tabel mempunyai sejumlah kolom dimana setiap kolom memiliki
nama yang unik. Untuk tampilan Physical Data Model dari sistem ini dapat
dijelaskan bahwa data yang saling berhubungan. Adapun physical Data Model dapat
dilihat pada gambar 4.5.

Gambar 4.5. physical data model

 BAB IV

IMPLEMENTASI DAN PENGUJIAN

4.1 Lingkungan Implementasi

Lingkungan implementasi adalah spesifikasi di mana luaran perangakat lunak

dari penelitian di harapkan akan beroperasi. Komponen yang di jelaskan sama dengan
lingkungan pengembangan.

A. Spesifikasi Perangkat Keras (Hardware)

Perangkat keras (Hardware) yang digunakan untuk implementasi

perancangan perangkat lunak ini:

Gambar 4.1 Spesifikasi Perangkat Keras

B. Spesikikasi Perangkat Lunak (Software)

a. Sistem Operasi: Windows 8

b. Web Server : XAMPP for windows version 3.2.2

c. Web Browser: Mozila firofox dan Google Chrome

d. Design : Start UML

e. Data Base : MySQL

 4.2 Implementasi dan Pengujian Program

Pengujian di Tunjukkan untuk memastikan bahwa tiap User case (fitur) telah dapat
berjalan sebagaimana mestinya. Jumlah test case paling tidak satu untuk masing masing use
case.

4.2.1 Pengujian Use Case Login

A. Halaman Login

Gambar 4.2 Antar muka Halaman Login

Gambar 4.2 adalah halaman login yang digunakan sebagai keamanan dalam
mengakses sistem dan juga di gunakan sistem untuk mengatur management User.
Sebelum User dapat mengakses sistem, maka User harus melakukan login agar dapat
masuk pada sistem.
 B. Pengujian Halaman Login

Tabel 4.1 Tabel pengujian Halaman Login Data Normal

Kasus Data dan Hasil Uji (Data Normal)
Username : admin
Data Masukan
Password : admin
Yang Diharapkan Masuk ke halaman utama
Pengamatan Menampilkan halaman utama
Kesimpulan Di terima

Tabel 4.2 Tabel pengujian Halaman Login Data Salah

Kasus Data dan Hasil Uji (Data Salah)
Data Masukan Username : admin
Password :
Yang di harapkan Menampilkan pesan error
Pengamatan Menampilkan pesan error “Login
Failed”
Kesimpulan Di terima

4.2.2 Halaman Utama

Gambar 4.3 halaman utama setelah login

Gambar 4.3 adalah tampilan setelah login, maka akan tampil halaman utama beberapa
menu yang bisa dipilih seperti : tambah data (tambah kolom), atribut (tambah baris),
proses perhitungan knn, dan terakhir yaitu logout.

4.2.3 Halaman Data (Tambah Kolom)

Gambar 4.4 halaman tambah kolom

Pada gambar 4.4 yaitu halaman tambah kolom yang bertujuan untuk menambahkan
kolom apabila data latih atau data uji banyak, pada halaman ini admin bisa
menambah, menghapus, dan mengedit data.

4.2.4 Halaman Tambah Atribut (Tambah Baris)

 Gambar 4.5 halaman tambah atribut (tambah Baris)

Pada gambar 4.5. menjelaskan bahwa halaman ini admin bisa menambah atribut
(baris), edit atribut, dan hapus atribut. Kegunaan tambah atribut ialah untuk
mengantisipasi apabila pada saat memasukkan data banyak, admin tidak perlu
mengatur secara manual, cukup dengan menambah berapa baris yang diingkinkan
oleh admin.
2.2.5 Perhitungan Estimasi dengan KNN

Gambar 4.6 contoh sample data latih dan data uji

Pada gambar 4.6 ini menjelaskan bahwa button data (jumlah kolom) berjumlah
6, kemudian button atribut (jumlah baris) berjumlah 5. Pada gambar juga sudah ada
nilai pada setiap kolom. Yang terdiri dari 5 data latih dan 1 data uji.

Jika pada saat admin menginputkan data, maka admin harus mengklik tulisan
yang berwarna.
4.2.6 Perhitungan Normalisasi Data

Gambar 4.7 perhitungan normalisasi data

Pada gambar ini admin tidak perlu lagi menghitung, karena setelah data sample
telah dihitung maka hasilnya otomatis ikut terhitung.

4.2.6 Perhitungan Jarak Ekludien

 Gambar 4.7 perhitungan jarak ekludien

Pada gambar 4.7 ini menjelaskan bahwa bagaimana cara menghitung jarak ekludien.
Apabila data uji belum di pilih, maka perhitungan jarak ekludien belum bisa
dilakukan. Tetapi apabila data uji sudah diseting maka proses perhitungan jarak
ekludien akan dilakukan. Berikut hasil perhitungan jarak ekludien setelah data uji
dimasukkan. Hasil perhitungan jarak ekludien setelah data uji dimasukkan dapat
dilihat pada gambar 4.8 :
 Gambar 4.8 perhitungan jarak ekludien setelah data uji dimasukkan

Berikut adalah hasil jarak ekludien setelah data uji yang nomer 6 dimasukkan.

4.2.7 Perhitungan Sortir ASC (mengurutkan)

 Gambar 4.9 pengurutan ASC
Pada gambar 4.9 ini dijelaskan bahwa pengurutas asc dilakukan agar sesuai
dengan nilai yang paling besar menuju yang paling kecil.

4.3 Tutorial Instalasi dan Penggunaannya

Tutorial instalasi sistem dan penggunaannya bertujuan untuk memudahkan

pengguna baru / admin yang baru pertama kali menggunakan aplikasi ini. Berikut
cara menggunakan sistem :

4.3.1 Instalasi Sistem

Untuk menginstal sistem ini langkah yang perlu dilakukan adalah sebagai
berikut :
1. Ekstrak knn_kelasc.zip

2. Copy folder knn_kelasc ke htdocs yang terdapat di folder xampp pada

local disc C.

3. Aktifkan apache dan mysql pada xampp

 4. Akses localhost / phpmyadmin di browser, seperti mozila, chrome, dll

5. Buat database baru dengan nama knn

6. Import data knn.sql yang terdapat pada folder knn_kelasc

7. Ubah buka htdoct, kemudian cari file yang bernama koneksi.php

8. Kemudian ubah file database sesuai dengan file yang sudah di tambahkan

di phpmyadmin

9. Save file koneksi.php tersebut

10. Coba jalankan

11. Sistem berhasil diinstal

4.3.2 Penggunaan Sistem

Pada tahap ini yaitu bagaimana cara menggunakan sistem tersebut. Berikut
cara menggunakan sistem :

1. Akses localhost/knn_kelasc atau bisa langsung coba di online dengan link

http://leman1.byethost11.com/

2. Pilih menu login

3. Masukkan username = admin dan password = admin

4. Pilih data untuk menambah kolom, pilih atribut untuk menambah baris,

dan pilih perhitungan sample apabila kolom dan baris sudah cukup.

5. Pilih perhitungan sample. Kemudian masukkan data latih dan data uji.

6. Setelah data latih dan uji dimasukkan simpan. Setelah tersimpan maka

otomatis perhitungan normalisasi akan terhitung juga.

 7. Setelah normalisasi selesai kemudian kita melanjutkan ke proses

selanjutnya yaitu menentukan jarak ekludien.

8. Sebelem menentukan jarak ekludien kita harus memilih salah 1 sari data

tersebut, yang nantinya digunakan sebagai data uji / acuan untuk

menghasilkan nilai baru.

9. Setelah memilih data uji, sistem akan otomatis menghitung hasil dari jarak

ekludiennya.

10. Setelah hasil ketemu. Selanjutnya kita bisa menguruskan dari terbesar ke

yang terkecil.

11. Setelah terurutkan maka selanjutnya menentukan nilai K

12. Setelah menentukan nilai K, baru kita bisa melihat hasil dari perhitungan

tersebut.

4.4 Penjelasan Koding Algoritma

 Gambar 4.10 Screenshot Coding Menghitung Normalisasi

Gambar 4.10 merupakan tampilan coding untuk menormalisasikan data yang sudah di
input. Untuk mendapatkan nilai ternormalisasi maka menggunakan rumus min-max
 normalization dengan persamaan berikut atau di gambar 4.11 :.

Gambar4.11 Rumus Normalisasi

Gambar4.12 Screenshot coding menghitung jarak ecludien Distance

Gambar 4.12 merupakan tampilan coding untuk menghitung jarak eucludien distance
deengan cara mengambil saple atau data uji yang sudah ternormali sasi terlebih
dahulu lalu di proses perhitungan nya menjadi seperti gambar 4.13 dan untuk rumus
nya bisa di lihat di gambar 4.13
 Gambar 4.13 Rumus Menentukan Jarak Eucludien

Gambar4.14 Screenshot menghitung jarak ecludien Distance

 Gambar 4.14 Screenshot Coding Penentuan Nilai k dan Rangking

Gambar 4.14 merupakan tampilan coding untuk Penentuan Nilai k yang mana nilai k
adalah jumla data latih di kurangi 1 dan harus lebih dari 0. Sedangkan
perangkingannya berdasarkan hasil perhitungan jarak eucludien distance yang paling
kecil ke hasil yang paling besar.
 Daftar Pustaka
Fahrurrozi, I. (2011). Proses Pemodelan Software Dengan Metode Waterfall Dan
Extreme Programming: Studi Perbandingan.

Hastanti, R. P. (2013). ANALISIS DAN PERANCANGAN SISTEM PENJUALAN

BERBASIS WEB (E-COMMERCE). Indonesian Journal on Networking and
Security, 8.

Hendrianto, D. E. (2014). Pembuatan Sistem Informasi Perpustakaan Berbasis

Website. Indonesian Journal on Networking and Security, 8.

Muhammad Syukri Mustafa*1, I. W. (2014). Perancangan Aplikasi Prediksi

Kelulusan Tepat Waktu Bagi Mahasiswa Baru Dengan Teknik Data Mining
(Studi Kasus: Data Akademik Mahasiswa STMIK Dipanegara Makassar).
Citec Journal, 12.

Panjaitan, W. T. (2018). PENERAPAN ALGORITMA KNN PADA PREDIKSI

PRODUKSI. Seminar Nasional Teknologi Informasi dan Multimedia 2018, 6.

RR. Isni Anisah P.H, A. S. (2015). PEMBANGUNAN SISTEM INFORMASI

PRESENSI KEHADIRAN. Media Jurnal Informatika, 10.