PERBANDINGAN METODE EUCLIDEAN DISTANCE DAN MANHATTAN DISTANCE PADA PENGUKURAN JARAK DALAM METODE KNN



Hussein, Saddam (2024) PERBANDINGAN METODE EUCLIDEAN DISTANCE DAN MANHATTAN DISTANCE PADA PENGUKURAN JARAK DALAM METODE KNN. Undergraduate thesis, Universitas Muhammadiyah Jember.

[thumbnail of pendahuluan.pdf] Text
pendahuluan.pdf

Download (935kB)
[thumbnail of abstrak.pdf] Text
abstrak.pdf

Download (194kB)
[thumbnail of BAB  I.pdf] Text
BAB I.pdf

Download (157kB)
[thumbnail of BAB  II.pdf] Text
BAB II.pdf
Restricted to Repository staff only

Download (310kB) | Request a copy
[thumbnail of BAB  III.pdf] Text
BAB III.pdf
Restricted to Repository staff only

Download (533kB) | Request a copy
[thumbnail of BAB  IV.pdf] Text
BAB IV.pdf
Restricted to Repository staff only

Download (1MB) | Request a copy
[thumbnail of BAB  V.pdf] Text
BAB V.pdf
Restricted to Repository staff only

Download (148kB) | Request a copy
[thumbnail of daftar pustaka.pdf] Text
daftar pustaka.pdf

Download (261kB)
[thumbnail of lampiran.pdf] Text
lampiran.pdf
Restricted to Repository staff only

Download (225kB) | Request a copy

Abstract

PERBANDINGAN METODE EUCLIDEAN DISTANCE DAN MANHATTAN DISTANCE PADA PENGUKURAN JARAK DALAM METODE KNN
Saddam Hussein1 Deni Arifianto, M. Kom2 Qurrota A’yun, M.Pd3
Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember1
Sistem Informasi, Fakultas Teknik, Universitas Muhammadiyah Jember2
Email: Sadamtspm@gmail.com1,
Email: deniarifianto@unmuhjember.ac.id2,
Email: qurrota.ayun@unmuhjember.ac.id3

ABSTRAK
Penelitian ini bertujuan untuk membandingkan penggunaan metode Euclidean Distance dan Manhattan Distance dalam algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan angka kelulusan pada perguruan tinggi. Saat ini, sistem klasifikasi yang efisien sangat dibutuhkan untuk mengurangi ketergantungan pada penilaian subjektif oleh para ahli yang memakan waktu. KNN merupakan salah satu teknik klasifikasi yang populer karena sederhana dan efektif. Namun, pemilihan metrik jarak yang tepat sangat krusial dalam mempengaruhi akurasi klasifikasi. Metrik jarak Euclidean sering digunakan secara default, meskipun tidak selalu memberikan hasil terbaik tergantung pada karakteristik data. Penelitian sebelumnya menunjukkan bahwa penggunaan Manhattan Distance dapat memberikan tingkat akurasi yang berbeda dalam konteks prediksi keberhasilan ujian nasional. Oleh karena itu, penelitian ini akan membandingkan kedua metode jarak tersebut untuk menentukan yang memberikan tingkat akurasi terbaik dalam konteks klasifikasi angka kelulusan pada perguruan tinggi. Diharapkan hasil penelitian ini dapat memberikan panduan yang lebih baik dalam memilih metode jarak yang sesuai untuk studi kasus dan data pelatihan tertentu. Berdasarkan penelitian yang telah dilakukan pada 2 metode perhitungan jarak memberikan hasil akurasi yang cukup signifikan. Hasil akurasi terbaik yang didapatkan dari klasifikasi dengan perhitungan Manhattan distance yaitu sebesar 82.02% dengan nilai K=7 sedangkan pada perhitungan Euclidean distance didapatkan akurasi terbaik sebesar 77.27% dengan nilai K=3 dan K=7. Maka dalam penelitian ini, akurasi terbaik adalah dari medote K_Nearest Neighbhor dalam perhitungan Manhattan distance yaitu sebesar 82.02%.
Kata kunci: perbandingan metode jarak, algoritma klasifikasi, pengukuran tingkat akurasi, metode Euclidean distance, metode manhattan distance.

Contribution
Nama Dosen Pembimbing
NIDN/NIDK
UNSPECIFIED
Arifianto, Deni
NIDN.0718068103
UNSPECIFIED
A’yun, Qurrota
NIDN.0703069002

Item Type: Thesis (Undergraduate)
Keywords/Kata Kunci: perbandingan metode jarak, algoritma klasifikasi, pengukuran tingkat akurasi, metode Euclidean distance, metode manhattan distance
Subjects: 000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science
000 Computer Science, Information, & General Works > 005 Computer Programming, Programs, & Data
Divisions: Faculty of Engineering > Department of Informatics Engineering (S1)
Depositing User: Saddam Hussein | sadamtspm@gmail.com
Date Deposited: 25 Jul 2024 07:25
Last Modified: 25 Jul 2024 07:25
URI: http://repository.unmuhjember.ac.id/id/eprint/22350

Actions (login required)

View Item View Item