PREDIKSI HASIL PANEN PADI MENGGUNAKAN METODE K-NN DI DESA BATUBANTAYO

KEC.PINOGALUMAN

(Studi Kasus di Dinas Pertanian Kecamatan Pinogaluman)

Oleh

DANDI AHMADI

T3118106

USULAN PENELITIAN

PROGRAM SARJANA
TEKNIK INFORMATIKA
UNIVERSITAS ICHSAN GORONTALO
GORONTALO
2022
i
 BAB I

PENDAHULUAN

I.1 Latar Belakang

Kabupaten BOLMUT atau Bolaang Mongondow Utara merupakan salah

satu daerah yang terletak di Provinsi Sulawesi Utara Indonesia yang penduduknya
berjumlah 83.112 jiwa di tahun 2020. Salah satu upaya Pemerintah Kabupaten
BOLMUT untuk mempertahankan ketahanan pangan adalah dengan memprediksi
hasil panen pada setiap kecamatannya untuk memaksimalkan potensi keuntungan
yang dibraih.

Tanaman Padi adalah salah satu tanaman yang menjadi kebutuhan manusia.
Meskipun terutama mengacu pada jenis tanaman budidaya, padi juga digunakan
untuk mengacu pada beberapa jenis dari marga (genus) yang sama, yang biasa
disebut sebagai padi liar. Padi diduga berasal dari India atau Indocina dan masuk
ke Indonesia dibawa oleh nenek moyang yang migrasi dari daratan Asia sekitar
1500 SM. Hasil dari pengolahan padi dinamakan beras [2].

Data yang digunakan dalam penelitian ini merupakan data laporan utama
Luas Tanam dan Luas panen padi yang berada di Dinas Pertanian Kecamatan
Pinogaluman yang akan di kelompokan kedalam Gagal Panen (C1) dan Cukup
(C2). Dengan menggunakan atribut Luas Tanam (Ha), Luas Panen (Ha), dan juga
 2

Produktivitas (Ton GKP/Ha). Data luas tanam dan luas panen dapat di lihat pada
gambar di bawah ini.

Tabel 1 Jadwal Panen Padi Di Kecamatan Pinogaluman

NO JADWAL PANEN LUAS TANAM LUAS PANEN PRODUKTIVITAS

(Ha) (Ha) (Ton GKP/Ha)
1 Minggu Ke-4 Bulan 75.00 22.00 6.50
Mei 2020
2 Minggu Ke-4 Bulan 3.00 19.00 4.50
Agustus 2020
3 Minggu Ke-4 Bulan 1.00 17.00 5.00
April 2021
4 Minggu Ke-4 Bulan 0.00 9.00 4.20
Agustus 2021
5 Minggu Ke-4 Bulan 5.00 25.00 7.40
Mei 2022

Data di atas merupakan data luas tanam dan luas panen padi pada Dinas
Pertanian Kecamatan Pinogaluman, dalam data tersebut peneliti menemukan
masalah yaitu, bagaimana memprediksi hasil panen padi dua tahun sebelumnya.
Teknik yang mampu menyelesaikan masalah tersebut ialah teknik data mining
dengan metode K-Nearest Neighbor (K-NN).

Teknik data mining merupakan teknik yang digunakan dalam

mengelompokan data dalam jumlah yang besar. Selain itu data mining juga dapat
mencari pola menarik yang tersembunyi [3]. Hasil akhir dari proses Knowledge
discovery in database (KDD) secara menyeluruh bergantung pada pemilihan
metode dan algoritma yang bagus [4].

Permasalahan yang terdapat pada DINAS PERTANIAN KECAMATAN

PINOGALUMAN adalah sulitnya pihak Dinas Pertanian dalam menganalisa data
panen yang mengakibatkan pekerjaan menjadi lambat dan belum efektif. Sehingga
memerlukan waktu yang cukup banyak dalam mengisi data. Untuk itu solusinya
peneliti tertarik untuk menganalisa dalam mengelompokan dan mengumpulkan
data-data panen. dalam hal pengelompokan (clustering) ini, penulis akan
menggunakan metode algoritma K-NN.
 3

Berdasarkan uraian di atas, maka perlu dilakukan penenlitian dengan judul

“PREDIKSI HASIL PANEN PADI MENGGUNAKAN METODE K-NN DI
DESA BATUBANTAYO KECAMATAN PINOGALUMAN” .

I.2 Identifikasi Masalah

1. Adanya kesulitan dalam mengelompokan data panen berdasarkan waktu

setiap panen, karena sulitnya untuk menganalisa data yang mengakibatkan
pekerjaan admin lambat dan mengalami kesulitan, sehingga perlu
menganalisa yang lebih praktis.

2. Pengolahan data pada Dinas Pertanian Kecamatan Pinogaluman terdapat

masalah dalam mengenal isi data panen, sehingga berdampak pada
pengelompokan data setiap panen. dengan ini peneliti akan menggunakan
metode K-NN dalam mengelompokan data dengan tehnik cluster. Tehnik
cluster (data mining) mampu menganalisis data dengan akurat dan dapat
mempercpat langkah dalam mengelompokan data panen dan menghasilkan
hasil yang efisiensi.

I.3 Rumusan Masalah

Berdasarkan latar belakang d atas dapat dirumuskan masalah yaitu:

1. Bagaimana penerapan metode K-Nearest Neighbor (K-NN) untuk
memprediksi hasil panen padi?
2. Bagaimana Hasil produksi dari panen padi menggunakan metode K-
Nearest Neighbor (K-NN)?

I.4 Tujuan

1. Mengetahui hasil penerapan metode K-Nearest Neighbor (K-NN) untuk

memproduksi hasil panen padi di Dinas Pertanian Kecamatan
Pinogaluman.
2. Mengetahui hasil produksi panen padi di Dinas Pertanian Kecamatan
Pinogaluman.
 4

I.5 Manfaat Penelitian

1. Pengembangan Ilmu
Peneliti ini diharapkan dapat mengembangkan ilmu pengetahuan dibidang
teknologi komputer pada umumnya dan clustering dengan metode K-NN
dalam mengelompokkan data luas tanam dan luas panen padi setiap panen.
2. Praktisi
Memudahkan pihak Dinas Pertanian dalam mengelompokkan data panen
dengan metode K-NN.
3. Peneliti
Peneliti juga diharapkan dapat menjadi masukkan bagi peneliti lain yang
akan mengadakan penelitian selanjutnya terkait metode K-NN dan
memberikan informasi bagi mereka tentang masalah yang diteliti.
 BAB II

LANDASAN TEORI

II.1 Tinjauan Studi

Tabel 2 Peneliti Terkait

No Peneliti Judul Metode Tahun Hasil

1 Pungky Penerapan K-Nn 2019 Dengan adanya sistem yang

memiliki tingkat akurasi 73,91%
Andrea Metode K-Nn
dan nilai error sebesar 26,08
n Untuk
dibangun oleh peneliti pemerintah
Memprediksi lebih akurat dan tepat sasaran
Hasil Pertanian dalam memberikan bantuan
Di Kabupaten pertanian kepada masyarakat. [6].

Malang

5
 6

2 Ni Luh Gede Penerapan K-Nn 2017 “Peneliti membangun

Pivin Metode K- sistem ini dengan
Suwirmayanti Nearest menggunakan metode K-
Neighbor NN untuk mempermudah
Untuk pembeli dalam memilih
Sistem mobil sesuai yang calon
Rekomendasi pembeli ingingkan [7].
Pemilihan
Mobil

3 Asahar Johar Implementasi K-Nn 2016 Peneliti membuat Sistem ini

T Metode K- untuk mempermuda memiih
, Delfi Nearest peserta yang lolos atau tidak
Yanosma Neighbor lolos dalam seleksi sesuai
, Kurnia (Knn) Dan nilai masing masing.
Anggriani Simple [8].
Additive
Weighting
(Saw) Dalam
Pengambilan
Keputusan
Seleksi
Penerimaan
Anggota
Paskibraka
 7

II.2 Tinjauan Pustaka

II.2.1 Prediksi

Perkiraan atau meramal disebu. Yang dimana sesorang dapat mengetahui

keadaan yang akan terjadi di masa depan dengan menggunakan metode dari masa
sebelumnya [9].

II.2.2 Padi

Tanaman Padi adalah salah satu tanaman yang menjadi kebutuhan manusia.
Meskipun terutama mengacu pada jenis tanaman budidaya, padi juga digunakan
untuk mengacu pada beberapa jenis dari marga (genus) yang sama, yang biasa
disebut sebagai padi liar. Padi diduga berasal dari India atau Indocina dan masuk
ke Indonesia dibawa oleh nenek moyang yang migrasi dari daratan Asia sekitar
1500 SM. Hasil dari pengolahan padi dinamakan beras [10].

II.2.3 Data Mining

Beberapa proses untuk mencari nilai tambah dari beberapa data yang
dikumpulkan yang tidak diketahui secara manual disebut Data Mining. Data
Mining bertujua untuk memperoleh ikatan atau pola yang bermanfaat dan
memiliki fungsi sebagai berikut:
* Generalisasi
* Clasification dan Regression :
* Custer
* Outlier analysis
Tahapan proses knowledege discovery from data (KDD) data mining
terbagi atas tujuh bagian yaitu [11]:
1. Pembersihan data
Pembersihan data merupakan proses yang dilakukan data dari noise
dan tidak tetap.
2. Integrasi data
Integrasi data merupakan sesuatu yang dilakuakn untuk menentukan
data dari berbagai sumber yang ada.
 8

3. Seleksi data
Tahap seleksi data merupakan sesuatu yang dilakukan untuk
menentukan dari database yang digunakan agar sesuai dengan apa yang
sudah menjadi tujuan.
4. Transformasi data
Transformasi data merupkan proses untuk mengubah bentuk data yang
sudah ada agar sesuai dengan proses data mining.
5. Data Mining
Data mining merupakan suatu proses yang digunakan dari suatu
metode untuk mendapatkan suatu pola tersembunyi data suatu proses
data yang digunakan.
6. Pola Evaluasi
Pola evaluasi merupakan proses untuk mengidentifikasi data.
7. Presentasi Pengetahuan
Presentasi pengetahuan merupakan sesuatu yang dapat
mempresentasikan suatu informasi yang di perlukan, dimana dalam
informasi yang terdapat kemudian dapat digunakan oleh pemilik data.

Gambar 2.2.1. Tahapan knowledge discovery in database (KDD)

 9

II.2.4 Metode K-Nearest Neighbors (KNN)

Metode yang digunakan untuk klasifikasi pada objek berdasarkan jarak

yang terdekat dengan objek sesuai data yang diperoleh adalah metode Algoritma
Algoritma k-nearest neighbor (k-NN atau KNN).
K-Nearest Neighbor berdasarkan konsep ‘learning by analogy’. Data
learning dideskripsikan dengan atribut numerik n-dimensi. Tiap data learning
merepresentasikan sebuah titik, yang ditandai dengan c, dalam ruang n-dimensi.
Jika sebuah data query yang labelnya tidak diketahui diinputkan, maka KNearest
Neighbor akan mencari k buah data learning yang jaraknya paling dekat dengan
data query dalam ruang n-dimensi. Jarak antara data query dengan data learning
dihitung dengan cara mengukur jarak antara titik yang merepresentasikan data
query dengan semua titik yang merepresentasikan data learning dengan rumus
Euclidean Distance berikut.
D= √ ( x 1−x 2 )+( y 1− y 22)2
Pada fase training, algoritma ini hanya melakukan penyimpanan
vektorvektor fitur dan klasifikasi data training sample. Pada fase klasifikasi, fitur
– fitur yang sama dihitung untuk testing data (klasifikasinya belum diketahui).
Jarak dari vektor yang baru ini terhadap seluruh vektor training sample dihitung,
dan sejumlah k buah yang paling dekat diambil. Titik yang baru klasifikasinya
diprediksikan termasuk pada klasifikasi terbanyak dari titik – titik tersebut [12].
Nilai k yang terbaik untuk algoritma ini tergantung pada data; secara
umumnya, nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi
membuat batasan antara setiap klasifikasi menjadi lebih kabur. Nilai k yang bagus
dapat dipilih dengan optimasi parameter, misalnya dengan menggunakan cross-
validation. Kasus khusus di mana klasifikasi diprediksikan berdasarkan data
pembelajaran yang paling dekat (dengan kata lain, k
= 1) disebut algoritma nearest neighbor.
Ketepatan algoritma k-NN ini sangat dipengaruhi oleh ada atau tidaknya
fitur-fitur yang tidak relevan, atau jika bobot fitur tersebut tidak
 10

setara dengan relevansinya terhadap klasifikasi. Riset terhadap algoritma

ini sebagian besar membahas bagaimana memilih dan memberi bobot terhadap
fitur, agar performa klasifikasi menjadi lebih baik.
K buah data learning terdekat akan melakukan voting untuk menentukan
label mayoritas. Label data query akan ditentukan berdasarkan label mayoritas
dan jika ada lebih dari satu label mayoritas maka label data query dapat dipilih
secara acak di antara label-label mayoritas yang ada [13].

II.2.5 Penerapan Algoritma K-NN Dalam Kasus Sebelumnya

Collect Database from

Preproccesing and
Dinas Pertanian Kec.
Cleaning
Pinogaluman

Proccess with K-
Experiment and
Result Nearest Neighbor
Validation
Method

Gambar 2.2.2. Alur Eksperimen

Classifier berasumsi jarak catatan dari satu sama lain sebagai kriteria
untuk kedekatan mereka dan memilih catatan paling mirip. Ada banyak metode
untuk menghitung jarak seperti fungsi jarak Euclidean, Manhattan, dll, di
antaranya fungsi jarak Euclidean adalah salah satu yang paling umum
didefinisikan sebagai Persamaan yaitu:

√∑
n

D (xi,xj) ( a ¿ ¿ r ( x ¿¿ i)−a ¿ ¿ r (x j ))¿ ¿ ¿2

i=1

Keterangan :

D (xi,xj) : Jarak Euclidean (Eucledean Distance)

(xi,) : Record ke-i

( xj ) : Record ke-j

ar : Data ke-r

i,j : 1,2,3..n
 11

Secara umum, untuk memprediksi kelas rekor baru, algoritma mencari

catatan serupa di antara set catatan pelatihan, sehingga jika catatan telah n atribut,
maka akan menganggap mereka sebagai vektor dalam ruang n-dimensi dan
memprediksi label kelas rekor baru berdasarkan kriteria jarak dalam ruang ini
seperti jarak Euclidean serta label kelas dari tetangga

Pada penelitian ini, digunakan tool rapidminer studio 8.0 dengan

spesifikasi perangkat yaitu: Intel i5 2.5GHz, 8GB of RAM dan sistem operasi
Windows 10. Adapun model yang diusulkan seperti pada gambar x dibawah:

Gambar 2.2.3. Model Yang Diusulkan

Tabel 3 Data perhitungan untuk 3 tahun terakhir dengan nilai k=1

No Waktu Hasil Panen Prediksi Panen
1 Jan-2014 519178 357284
2 May-2014 274106 214149
3 Sep-2014 126289 80847
4 Jan-2015 505250 396111
5 May-2015 296038 203651
6 Sep-2015 143848 93236
7 Jan-2016 460500 379266
8 May-2016 280343 199490
9 Sep-2016 141859 91947

Tabel 4 Data perhitungan untuk 3 tahun terakhir dengan nilai k=3

No Waktu Hasil Panen Prediksi Panen
1 Jan-2014 519178 255606
2 May-2014 274106 216607.25
3 Sep-2014 126289 192988.5
4 Jan-2015 505250 269180
5 May-2015 296038 224162.25
6 Sep-2015 143848 192347.25
 12

7 Jan-2016 460500 262814.5

8 May-2016 280343 217548.25
9 Sep-2016 141859 199365.25

Tabel 5 Data perhitungan untuk 3 tahun terakhir dengan nilai k=5

No Waktu Hasil Panen Prediksi Panen
1 Jan-2014 519178 200764

2 May-2014 274106 226450.875

3 Sep-2014 126289 240838.4167
4 Jan-2015 505250 209529
5 May-2015 296038 229545.5417
6 Sep-2015 143848 244016.875
7 Jan-2016 460500 205067.4167
8 May-2016 280343 232594.0417
9 Sep-2016 141859 250177.2083

Tabel 6 Data perhitungan untuk 3 tahun terakhir dengan nilai k=7

No Waktu Hasil Panen Prediksi Panen
1 Jan-2014 519178 241154.7083

2 May-2014 274106 221488.7083

3 Sep-2014 126289 207984.1806
4 Jan-2015 505250 244244.5833
5 May-2015 296038 224312.6389
6 Sep-2015 143848 208917.7083
7 Jan-2016 460500 250261.8056
8 May-2016 280343 228270.4722
9 Sep-2016 141859 213167.7361

Tabel 7 Data perhitungan untuk 3 tahun terakhir dengan nilai k=9

No Waktu Hasil Panen Prediksi Panen
1 Jan-2014 519178 223765.0687

2 May-2014 274106 222940.9188

3 Sep-2014 126289 223767.8313
4 Jan-2015 505250 225456.9625
 13

5 May-2015 296038 224201.2875

6 Sep-2015 143848 229062.9687
7 Jan-2016 460500 231283.2125
8 May-2016 280343 229978.8625
9 Sep-2016 141859 225061.2813

Tabel 8 Hasil perhitungan RMSE dan Absolute error

Nilai K Nilai RMSE
1 90532.279 +/- 0.000
3 145655.237 +/- 0.000
5 179723.122 +/- 0.00
7 158515.731 +/- 0.000
9 169575.954 +/- 0.000
Nilai Absolute Error
80876.833 +/- 40682.076
115816.310 +/- 88329.103
146230.145 +/- 104485.143
127449.088 +/- 94254.798
137147.331 +/- 99732.711

Kesimpulannya adalah dalam penerapannya, untuk menghasilkan nilai

RMSE error yang baik harus melakukan pengujian nilai –K yang digunakan untuk
melakukan perbandingan dengan beberapa metode yang berkaitan untuk
memperoleh model yang diinginkan. Peneliti menambahkan curah hujan dan suhu
pada penerapan metode lainnya pada factor independen.
II.2.6 Pemograman Web

Pemrograman web adalah sebuah proses yang digunakan manusia untuk

merancang aplikasi yang dapat dibaca oleh computer dengan menggunakan
bantuan browser.
 14

II.2.7 Kerangka Pikir

1.Bagaimana penerapan metode K-Nearest Neighbor (K-NN) untuk memprediksi hasil panen padi?

2.Bagaimana Hasil produksi dari panen padi menggunakan metode K-Nearest Neighbor (K-NN)?

PENGUMPULAN DATA OBSERVASI DAN DOKUMENTASI

PRA PENGOLAHAN NORMALIZATION

PRAPROCESING

METODE K-NN HASIL PANEN PADI

EVALUASI AKURASI, MODEL K-NN

KONTRUKSI SYSTEM PREDIKSI

1. Mengetahui hasil penerapan metode K-Nearest Neighbor (K-NN) untuk memproduksi hasil
panen padi di Dinas Pertanian Kecamatan Pinogaluman.
2. Mengetahui hasil produksi panen padi di Dinas Pertanian Kecamatan Pinogaluman.

Gambar 2.2.4. Kerangka Pikir

 BAB III

METODOLOGI PENELITIAN

III.1 Jenis, Metode, Subjek, Objek, Waktu Dan Tempat Penelitian

Dipandang dari tingkat penerapannya, penelitian ini merupakan penelitian
terapan, apabila dipandang dari jenis informasi yang diolah, maka penelitian ini
merupakan penelitian kuantittatif. Dalam penelitian ini metode yang digunakan
adalah penelitian metode study kasus. Dengan menggunakan Variabel input X1=
Luas Tanam dan X2= Luasn Panen, maka Variabel Output Y= Hasil Prediksi .
Dengan demikian penelitian ini adalah penelitian yang deskriptif, dengan tujuan
untuk membuat gambaran secara sistematik, faktual, dan akurat sesuai fakta dan
sifat dalam suatu objek penelitian tertentu.
Berdasarkan latar belakang dan kerangka pemikiran yang telah di jelaskan
pada bab sebelumnya maka yang menjadi objek dalam penelitian ini adalah
“PREDIKSI HASIL PANEN PADI MENGGUNAKAN METODE K-NN DI
DESA BATUBANTAYO KECAMATAN PINOGALUMAN”. Penelitian ini
dimulai dari bulan Februari 2022 yang berlokasi di Dinas Pertanian Kecamatan
Pinogaluman.

III.2 Pengumpulan Data

Pengumpulan data yang di gunakan dalam penelitain ini dibagi menjadi dua
jenis pengumpulan data yaitu data primer dan data sekunder.
1. Data primer
Data primer merupakan data yang dikumpulkan langsung oleh peneliti
di lokasi penelitian dengan melakukan wawancara dengan Kepala Dinas
Pertanian Kecamatan Pinogaluman.
2. Data sekunder
Data sekunder merupakan data yang di peroleh dari buku, jurnal, catatan
dan infomasi lain yang terkait dengan peneliitan ini.

15
 16

III.3 Pemodelan

Hasil Prediksi
Metode K-NN
K-NN

Gambar 3.3.5. Pemodelan K-NN

III.4 Pra Pengolahan

Sebelum data diolah, terlebih dahulu dilakukan pengumpulan data, setelah

itu dilakukan clusterisasi yang bertujuan untuk mengelompokan data dengan
karakteristik yang sama kedalam satu kelompok dan data yang memiliki
karakteristik yang berbeda ke kelompok lain.

III.5 Evaluasi

Tahap evaluasi bertujuan untuk dapat mengetahui hasil kerja dari metode
yang digunakan, evaluasi dilakukan pada cluster dan output yang di hasilkan dan
akan dimasukan kedalam centroid untuk dapat menghitung nilai akurasi.
 17

Jadwal Penelitian

2022
Deskripsi Aktivitas
FEBRUARI MARET APRIL MEI
Pra penelitian
pengajuan proposal
Pengumpulan data
Pemodelan K-Means
Evaluasi/Perbakan/ sistem
Penyusunan laporan
 18

DAFTAR PUSTAKA

[1] Anonim. A, 2016. Teknologi Budi Daya Tanaman Pangan.

http://www.iptek.net.id/ind/teknologi_pangan/index.phd?id=203. Diakses
tanggal 20 April 2016.

[2] Abidin. 2006. Agronomi Tanaman Pangan Jilid 1 : Teori Pertumbuhan

dan Meningkatkan Hasil Padi. Lembaga Penelitian Pertanian. Padang.

[3] Lindawati. Data Mining dengan teknik Clustering dalam pengklasifikasian

data mahasiswa studi kasus prediksi lama studi mahasiswa Universitas
Bina Nusantara. 2008.

[4] Johanes W.Yodha dan Achmad Wahid K., Pengenalan motif batik
menggunakan Deteksi Tepi Canny dan k-Nearest Neighbor. 2014.

[5] Teknomo K., 2010. K-Nearest Neighbours Tutorial, K-Tetangga Terdekat

Tutorial,(Online). Sumber: http://people.revoledu.com/kardi/tutorial/KNN/
[diakses 4 Maret 2010].

[6] Pungky Andrean. " Penerapan Metode K-Nn Untuk Memprediksi Hasil
Pertanian Di Kabupaten Malang." Jurnal Ilmiah Mahasiswa Program Studi
Teknik Informatika S1, Fakultas Teknologi Industri Institut Teknologi
Nasional Malang 2019.

[7] Ni Luh Gede Pivin Suwirmayanti. " Penerapan Metode K-Nearest

Neighbor Untuk Sistem Rekomendasi Pemilihan Mobil." Jurnal Ilmiah
Mahasiswa Program Studi Sistem Komputer STMIK STIKOM Bali 2017.

[8] Asahar Johar T, Delfi Yanosma, Kurnia Anggriani. " Implementasi

Metode K-Nearest Neighbor (Knn) Dan Simple Additive Weighting (Saw)
Dalam Pengambilan Keputusan Seleksi Penerimaan Anggota Paskibraka."
Jurnal Ilmiah Mahasiswa Program Studi Teknik Infomatika, Fakultas
Teknik, Universitas Bengkulu Indonesia 2016.

[9] Prasetya, Hery dan Fitri Lukiastuti. (2009). Manajemen Operasi. Media
Pressindo.Yogyakarta (2009 : 43)

[10] Depdiknas.2001. Kamus Besar Bahasa Indonesia. Jakarta: Balai Pustaka.

[11] Arnomo, Rio A. (2018). Implementasi Algoritma K-Nearest Neighbor

Untuk Identifikasi Kualitas Air (Studi Kasus: PDAM Kota Surakarta).
Surakarta : Program Studi Teknik Informatika STMIK Sinar Nusantara.
ISSN : 2338- 4018.
 19

[12] Dzikrulloh, N, N. (2017). Penerapan Metode K-Nearest Neighbor (KNN)

Dan Metode Weighted Product (WP) Dalam Penerimaan Calon Guru Dan
Karyawan Tata Usaha Baru Berwawasan Teknologi (Studi Kasus :
Sekolah Menengah Kejuruan Muhammadiyah 2 Kediri). Malang :
Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas
Brawijaya. E-ISSN : 2548-964X

[13] Sulastri, Heni, and Acep Irham Gufroni. "Penerapan data mining dalam
pengelompokan penderita thalassaemia." Jurnal Nasional Teknologi dan
Sistem Informasi 3.2 (2017): 299-305.

[14] Asahar Johar T, Delfi Yanosma, Kurnia Anggriani.“ Implementasi Metode

K-Nearest Neighbor (Knn) Dan Simple Additive Weighting (Saw) Dalam
Pengambilan Keputusan Seleksi Penerimaan Anggota Paskibraka.”
Program Studi Teknik Infomatika, Fakultas Teknik, Universitas Bengkulu.
2016.

[15] Syaifudin Ramadhani, Urifatun Anis, Siti Tazkiyatul Masruro (2013)

“Rancang Bangun Sistem Informasi Geografis Layanan Kesehatan Di
Kecamatan Lamongan Dengan PHP MySQL.” Jurnal Teknika

[16] Harison, A. S. (2016). Sistem Informasi Geografis Sarana Pada Kabupaten

Pesaman Barat. Teknoif, 42-43.

[17] Mustafa, S. Simpen, W, I. (2014). Perancangan Aplikasi Prediksi Kelulusan

Tepat Waktu Bagi Mahasiswa Baru Dengan Teknik Data Mining (Studi
Kasus: Data Akademik Mahasiswa STMIK Dipanegara Makassar).
Makasar : Teknik Informatika STMIK Dipanegara. ISSN : 2354-5771.