PENGOLAHAN PERBANDINGAN DATA COVID19 INDONESIA DAN MALAYSIA

MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON DENGAN

IMPLEMENTASI METODE KNN

Dosen Pengampu Mata Kuliah Kecerdasan Buatan: Moh. Badri tamam,M.Kom

Penulis: Mulyadi (2021020100023)

Indra Maulana (2021020100018)
A.Rohil Khana (2021020100019)

FAKULTAS TEHNIK
PRODI TEHNIK INFORMATIKA
UNIVERSITAS ISLAM MADURA
2023/2024

ABSTRAK
Paper ini membahas penerapan metode K-Nearest Neighbors (KNN) dalam
pengolahan data perbandingan menggunakan bahasa pemrograman Python. KNN merupakan
salah satu metode dalam machine learning yang dapat digunakan untuk klasifikasi dan regresi
berdasarkan kemiripan data. Dalam konteks ini, fokus utama adalah penerapan KNN untuk
membandingkan data dan mengevaluasi kemiripan antara entitas-entitas yang terlibat.
Pengolahan data perbandingan menjadi semakin penting dalam berbagai bidang,
termasuk pengenalan pola, analisis citra, dan sistem rekomendasi. Artikel ini memberikan
wawasan mendalam tentang konsep dasar KNN dan langkah-langkah implementasi dalam
bahasa pemrograman Python. Selain itu, penulis juga menyoroti keunggulan dan batasan dari
metode KNN dalam konteks pengolahan data perbandingan.
Metodologi eksperimen dijelaskan dengan rinci, termasuk pemilihan parameter yang
sesuai, pengolahan data, dan langkah-langkah evaluasi hasil. Hasil eksperimen disajikan
melalui grafik dan analisis statistik untuk mengilustrasikan efektivitas metode KNN dalam
memproses data perbandingan.
Paper ini dapat menjadi panduan praktis bagi para pengembang dan peneliti yang
tertarik dalam mengimplementasikan metode KNN untuk mengolah data perbandingan
dengan menggunakan bahasa pemrograman Python. Kesimpulan dari artikel ini mencakup
temuan utama, implikasi praktis, dan arah penelitian masa depan untuk pengembangan
metode ini dalam konteks pengolahan data perbandingan.
 ABSTRAC
This paper explores the implementation of the K-Nearest Neighbors (KNN) method in
processing comparative data using the Python programming language. KNN is a machine
learning method utilized for classification and regression based on data similarity. In this
context, the primary focus is on applying KNN to compare data and assess the similarity
between involved entities.
The processing of comparative data is increasingly vital in various fields, including
pattern recognition, image analysis, and recommendation systems. This article provides in-
depth insights into the fundamental concepts of KNN and the step-by-step implementation in
the Python programming language. Furthermore, the author highlights the strengths and
limitations of the KNN method in the context of processing comparative data.
The experimental methodology is detailed, encompassing the selection of appropriate
parameters, data processing, and steps for evaluating results. Experimental outcomes are
presented through graphs and statistical analyses to illustrate the effectiveness of the KNN
method in processing comparative data.
This paper serves as a practical guide for developers and researchers interested in
implementing the KNN method for processing comparative data using the Python
programming language. Conclusions drawn from the article include key findings, practical
implications, and future research directions for the development of this method in the context
of processing comparative data.

1. PENDAHULUAN untuk menganalisis tingkat kemiripan

antara entitas-entitas yang terlibat dalam
Dalam era informasi digital saat dataset perbandingan.
ini, pengolahan data perbandingan menjadi
suatu aspek yang kritis dalam berbagai Melalui Paper ini, kami bertujuan
disiplin ilmu, termasuk pengenalan pola, untuk memberikan pemahaman mendalam
analisis citra, dan pengembangan sistem tentang konsep dasar KNN dan bagaimana
rekomendasi. Keberhasilan aplikasi- metode ini dapat diimplementasikan secara
aplikasi ini seringkali bergantung pada praktis menggunakan bahasa
kemampuan untuk memproses data pemrograman Python. Selain itu, kami
perbandingan dengan efisien dan akurat. akan membahas keunggulan dan
Dalam rangka mengatasi tantangan ini, keterbatasan dari metode KNN, serta
metode Machine Learning, khususnya K- relevansinya dalam pengolahan
Nearest Neighbors (KNN), telah menjadi perbandingan data.
fokus utama untuk menghasilkan solusi
yang dapat diandalkan. 2. METODELOGI PENELITIAN

Paper ini membahas penerapan 2.1. Pemilihan Dataset:

metode KNN dalam pengolahan  Identifikasi dataset yang relevan
perbandingan data, dengan penekanan untuk tujuan pengolahan
pada penggunaan bahasa pemrograman perbandingan data.
Python sebagai alat utama implementasi.
Metode KNN memanfaatkan kemiripan
antar data untuk melakukan klasifikasi dan
regresi, menjadikannya alat yang potensial
  Pertimbangkan karakteristik  Lakukan penyesuaian parameter
dataset, seperti ukuran, tipe data, jika diperlukan untuk
dan distribusi. meningkatkan performa model.
2.2. Persiapan Dataset: 2.7. Analisis Hasil:
 Lakukan pembersihan data untuk  Lakukan analisis mendalam
mengatasi nilai yang hilang atau terhadap hasil eksperimen,
outlier. melibatkan visualisasi grafis dan
 Normalisasi atau standarisasi data metrik evaluasi statistik.
agar memiliki skala yang seragam.  Bandingkan hasil dengan literatur
terkait dan diskusikan temuan yang
2.3. Implementasi Metode KNN: signifikan.
 Penerapan metode KNN 2.8. Perbandingan dengan Metode
menggunakan library atau modul Lain :
Python yang tersedia, seperti scikit-
learn.  Jika relevan, bandingkan kinerja
 Tentukan parameter KNN yang metode KNN dengan metode
optimal melalui eksperimen, seperti pengolahan perbandingan data
jumlah tetangga terdekat. lainnya untuk mendapatkan
perspektif komparatif.
2.4. Pembagian Dataset:
2.9. Diskusi:
 Bagi dataset menjadi subset
pelatihan dan pengujian untuk  Diskusikan interpretasi hasil,
menghindari overfitting dan keunggulan, dan keterbatasan
mengevaluasi kinerja model secara metode KNN dalam konteks
objektif. pengolahan perbandingan data.
 Identifikasi potensi perbaikan atau
2.5. Pelatihan Model: pengembangan lebih lanjut.
 Lakukan pelatihan model KNN 2.10. Kesimpulan:
pada subset pelatihan untuk
memungkinkan model memahami  Sajikan kesimpulan dari hasil
pola dan kemiripan data. penelitian, termasuk implikasi
praktis dan arah penelitian masa
2.6. Validasi Model: depan.
 Validasi model menggunakan
subset pengujian untuk mengukur
kinerja, seperti akurasi, presisi, dan
recall.

3. HASIL DAN PEMBAHASAN

Langkah pertama kita tentukan datasetnya lalu import ke teks editor, disini kami
menggunakan Visual studio code sebagai teks editornya

Figure 1 import data

Karna paper ini berjudul Pengolahan Perbandingan Data Covid19 Indonesia Dan Malaysia
Menggunakan Bahasa Pemrograman Python Dengan Implementasi Metode Knn.jadi kami
mengambil data khusus Indonesia dengan format seperti ini lalu Run/jalankan.

Figure 2.memanggil data covid19 indonesia

Dan kami ambil untuk data covid19 dari negara malaysia

Figure 3.memanggil data covid19 dari malaysia

Setelah kami memanggil data covid19 indonesia dan Malaysia baru ke tahap selanjutnya
yaitu memanggil data covid19 indonesia yang terkonfirmasi lebih besar dari 0 dengan format
seperti ini

Figure 4.memanggil data yang terkonfirmasi dari indonesia

Dan tidak lupa kami mengambil data covid19 dari negara Malaysia yang terkonfirmasi
dengan format yang sama yaitu lebih besar dari 0
Figure 5. memanggil data yang terkonfirmasi dari malaysia

Nah setelah itu baru kami mencoba memanggil data dari keduanya di bagian ‘date’
Dengan format seperti ini

Figure 6.memanggil data dari keduanya dengan format 'date'

Sudah berhasil,lalu kmai ambil di bagian date nya dengan menuliskan isi datenya

Figure 7.memanggil data di dalam 'date'

Sudah berhasil di jalankan lalu kami mencoba memanggil sesuai dengan harinya

Figure 8. memanggil data dari keduanya sesuai dengan 'hari ke'

Lalu kami memanggil lagi dengan menggunakan ‘timedelta’

Figure 9.memanggil data dengan format 'timedelta negara malaysia

Figure 10.memanngil data hari ke dengan format ‘timedelta’ negara indonesia

Jika sudah selesai lanjut ke tahap selanjutnya yaitu membandingkan data covid19 indonesia
dan Malaysia,dengan secara berurut/sesuai dengan urutan kodingan tadi,seperti ini
Figure 11.perbandingan

Figure 12 hasil perbandingan

Nah sudah berhasil,jika ingin mencoba usahakan kodenya tertulis secara berurutan ya,sesuai
dengan langkah-langkah di atas.
Jadi kesimpulannya sesuai dengan gambar di atas menggambarkan bahwa kasus covid19 di
Indonesia lebih signifikan.

4. KESIMPULAN
Dalam penelitian ini, telah dilakukan pengolahan perbandingan data covid19 negara
indonesia dengan negara malaysia menggunakan bahasa pemrograman Python dengan
implementasi metode K-Nearest Neighbors (KNN). Secara keseluruhan, penelitian ini tidak
hanya memberikan wawasan mendalam tentang aplikasi KNN dalam pengolahan
perbandingan data, tetapi juga menggarisbawahi pentingnya pemilihan metode yang sesuai
dengan kebutuhan spesifik setiap kasus. Dengan penekanan pada optimalisasi parameter dan
persiapan dataset, penggunaan KNN dapat menjadi alat yang efektif dalam menangani tugas-
tugas pengolahan perbandingan data.
 DAFTAR PUSTAKA
1. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques.
Elsevier.
2. Raschka, S., & Mirjalili, V. (2019). Python Machine Learning. Packt Publishing.
3. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... &
Vanderplas, J. (2011). Scikit-learn: Machine learning in Python. Journal of Machine
Learning Research, 12, 2825-2830.
4. Li, F., & Malik, J. (2010). Visualizing and understanding convolutional networks. In
European conference on computer vision (pp. 818-833). Springer.
5. Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely
connected convolutional networks. In Proceedings of the IEEE conference on
computer vision and pattern recognition (pp. 4700-4708).
6. Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., ... & Kudlur, M.
(2016). TensorFlow: A system for large-scale machine learning. In 12th USENIX
Symposium on Operating Systems Design and Implementation (OSDI 16) (pp. 265-
283).
7. Kaggle. (n.d.). Kaggle Datasets. Retrieved from https://www.kaggle.com/datasets