scholarly journals ANALISA SENTIMEN PADA TINJAUAN BUKU DENGAN ALGORITMA K-NEAREST NEIGHBOUR

KONVERGENSI ◽  
2019 ◽  
Vol 13 (2) ◽  
Author(s):  
Luvia Friska Narulita
Keyword(s):  
Nearest Neighbor ◽  
Nearest Neighbour ◽  
K Nearest Neighbor ◽  
Term Frequency

Analisa sentimen pada tinjauan buku dapat digunakan untuk pengklasifikasian dokumen tinjauan sehingga pembagian sentimen positif dan negatif dapat dilakukan secara sistemis. Penggunaan metode k-nearest neighbor dan digabungkan dengan metode pembobotan istilah dan penghitungan tingkat kemiripan memberikan hasil yang cukup baik pada penelitian yang telah dilakukan. Kata Kunci: analisa sentimen, similarity, k nearest neighbor, term frequency

scholarly journals Prediksi Klasifikasi Pembangunan Merek Kosmetik Dengan Metode Enbag K-Logres Berdasarkan Keterlibatan Pengguna Facebook

2020 ◽  
Vol 6 (1) ◽  
pp. 116-125
Author(s):  
Fajar Sarasati ◽  
Lia Dwi Cahyanti ◽  
Annida Purnamawati ◽  
Riyan Latifahul Hasanah
Keyword(s):  
Logistic Regression ◽  
Market Research ◽  
Nearest Neighbor ◽  
Nearest Neighbour ◽  
K Nearest Neighbor ◽  
Logistics Regression ◽  
Performance Metric ◽  
Brand Development ◽  
Svm Algorithm ◽  
Measurement Results

Abstract: Building a brand new company that starts a business by conducting market research is intended to introduce new products and maintain existing businesses. But the market survey actually requires quite a lot of costs for transportation costs, brochure printing costs, more employee salaries and so forth. Surveys conducted offline also reach a less extensive market, less maximum results and less detail, and require more time. Based on the description above, the researchers conducted a study using Facebook performance metric data that assessed the construction of cosmetics brands using the K-Nearest Neighbor and Logistics Regression (SVM) algorithm by classifying which posts were the most desirable and less desirable by consumers, as well as measuring by the EnBag method K-LoGres of the two algorithms to improve the performance of the two proposed algorithms. Bagging technique was chosen because it has the advantage of being able to improve the measurement results and improve the accuracy of classification measurements by combining two or more algorithms. Based on the measurement results of Facebook metric data which assesses the development of cosmetic brands with the K-NN algorithm it gets an accuracy of 68.67% and a Logistic Regression (SVM) of 72.67% then the two algorithms are processed using the EnBag K-LoGres method getting an accuracy of 73.91%. Based on the results of measurements with the EnBag K-LoGres method the results increased by 1.24%.Keywords: Brand Development, Cosmetics, K-Nearest-Neighbour, Logistic (SVM), EnBag K-LogresAbstrak: Membangun merek perusahaan yang baru memulai usaha dengan melakukan riset pasar dimaksudkan untuk memperkenalkan produk baru serta mempertahankan usaha yang sudah ada. Namun survei pasar justru membutuhkan biaya yang cukup banyak untuk biaya transportasi, biaya cetak brosur, gaji karyawan lebih banyak dan lain sebagainya. Survei yang dilakukan secara offline juga menjangkau pasar kurang luas, hasil kurang maksimal dan kurang merinci, serta membutuhkan waktu yang lebih lama. Berdasarkan uraian diatas maka peneliti melakukan penelitian dengan memanfaatkan data metrik kinerja facebook yang menilai pembangunan merk kosmetik dengan menggunakan algoritma K-Nearest Neighbourdan Logistic Regreesion (SVM) dengan mengklasifikasikan postingan mana yang paling diminati dan kurang diminati oleh konsumen, serta melakukan pengukuran dengan metode EnBag K-LoGres dari kedua algoritma untuk meningkatkan kinerja kedua algoritma yang diusulkan. Teknik bagging dipilih karena memiliki kelebihan dapat memperbaiki hasil pengukuran serta meningkatkan akurasi dari pengukuran klasifikasi dengan menggabungkan dua atau lebih algoritma. Berdasarkan hasil pengukuran data metrik facebook yang menilai pembangunan merek kosmetik denganalgoritma K-NN memperoleh akurasi sebesar 68.67% dan Logistic Regression (SVM) sebesar 72.67% selanjutnya kedua algoritma diproses dengan metode EnBag K-LoGres mendapat akurasi sebesar 73.91%. Berdasarkan hasil pengukuran dengan metode EnBag K-LoGreshasilnya mengalami kenaikan sebesar 1.24 %.Kata kunci: Pembangunan Merek, Kosmetik, K-Nearest Neighbour, Logistic Regression (SVM), EnBag K-LoGres

scholarly journals Classification of Mango Fruit Quality Based on Texture Characteristics of GLCM (Gray Level Co-Occurrence Matrices) with Algorithm K-NN (K-Nearest Neighbors)

2019 ◽  
Vol 20 (1) ◽  
pp. 31
Author(s):  
Wahyu Wijaya Widiyanto ◽  
Eko Purwanto ◽  
Kusrini Kusrini
Keyword(s):  
Computer Vision ◽  
Nearest Neighbor ◽  
Nearest Neighbors ◽  
Gray Level ◽  
Nearest Neighbour ◽  
K Nearest Neighbor ◽  
Mango Fruit ◽  
K Nearest Neighbors ◽  
Texture Characteristics

Proses klasifikasi kualitas mutu buah mangga dengan cara konvensional menggunakan mata manusia memiliki kelemahan di antaranya membutuhkan tenaga lebih banyak untuk memilah, anggapan mutu kualitas buah mangga antar manusia yang berbeda, tingkat konsistensi manusia dalam menilai kualitas mutu buah mangga yang tidak menjamin valid karena manusia dapat mengalami kelelahan. Penelitian ini bertujuan untuk klasifikasi kualitas mutu buah mangga ke dalam tiga kelas mutu yaitu kelas Super, A, dan B dengan computer vision dan algoritma k-Nearest Neighbor. Hasil pengujian menggunakan jumlah k tetangga 9 menunjukan tingkat akurasi sebesar 88,88%.Kata-kata kunci— Klasifikasi, GLCM, K-Nearest Neighbour, Mangga

scholarly journals Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor

2019 ◽  
Vol 1 (1) ◽  
pp. 43-49
Author(s):  
Jeremy Andre Septian ◽  
Tresna Maulana Fachrudin ◽  
Aryo Nugroho
Keyword(s):  
Cross Validation ◽  
Nearest Neighbor ◽  
K Nearest Neighbor ◽  
Term Frequency ◽  
Document Frequency ◽  
Fold Cross Validation

Persepakbolaan Indonesia belakangan ini memiliki banyak polemik mulai dari kasus pengaturan skor, pergantian pelatih timnas senior hingga pergantian ketua umum Persatuan Sepak bola Seluruh Indonesia (PSSI). Polemik ini menimbulkan banyaknya opini maupun pendapat dari pengguna twitter terhadap persepakbolaan di Indonesia sehingga diperlukan sebuah sistem untuk memudahkan dalam mengetahui sentimen pada setiap kalimat. Tujuan dari penelitian ini adalah untuk menganalisis sentimen pada setiap kalimat dari pengguna twitter terhadap persepakbolaan Indonesia apakah memiliki sentimen negatif atau positif. Data yang digunakan dalam penelitian ini didapatkan dari hasil crawling dari media sosial twitter terkait persepakbolaan di Indonesia yang diambil dari akun twitter resmi PSSI. Setelah data dikumpulkan kemudian akan dilakukan beberapa tahapan yaitu preprocessing yang terdiri dari cleansing, tokenizing, stopword removal, dan stemming.  Pembobotan kata menggunakan Term Frequency-Invers Document Frequency (TF-IDF). Pada tahap validasi data dilakukan pengujian silang sebanyak 10 kali menggunakan k-fold cross validation, kemudian diklasifikasikan dengan metode K-Nearest Neighbor dapat menghasilkan akurasi yang cukup baik. Dari 2000 data tweet berbahasa indonesia didapatkan hasil akurasi optimal pada nilai k=23 sebanyak 79.9%

scholarly journals PENGGUNAAN MOMEN INVARIANT, ECCENTRICITY, DAN COMPACTNESS UNTUK KLASIFIKASI MOTIF BATIK DENGAN K-NEAREST NEIGHBOUR

2016 ◽  
Vol 11 (2) ◽  
Author(s):  
Nugroho Agus Haryono ◽  
Widi Hapsari ◽  
Angelique Angesti ◽  
Stheffany Felixiana
Keyword(s):  
Nearest Neighbor ◽  
Moment Invariants ◽  
Nearest Neighbour ◽  
K Nearest Neighbor ◽  
Classification Result ◽  
Feature Description ◽  
Binary Images ◽  
Nonparametric Statistical ◽  
Hu Moment ◽  
Hu Moment Invariants

Batik classification which have diverse motifs need to be done to distinguish a pattern with another. In this paper, we present batik motifs(Ceplok, Parang, Semen, and Nitik) classification using Hu Moment Invariants, Eccentricity, and Compactness feature description. In classification stage, K-nearest neighbor have been used, which is traditional nonparametric statistical classifier. Set of different experiments on binary images regular, opening image, and closing image of 200 images Batik from some batik literature published by Dinas Perindustrian, Perdagangan, dan Koperasi DIY have been done and variety of results have been presented. The results showed that the best classification result obtained from Hu Moment Invariants feature description.

Metode Pencocokan Bunyi Ketuk Buah dengan Kadar Kemanisan Menggunakan k-Nearest Neighbour

2017 ◽  
Vol 8 (2) ◽  
Author(s):  
Ranny Ranny ◽  
Yustinus Eko Soelistio ◽  
Ni Made Satvika
Keyword(s):  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Nearest Neighbor ◽  
Training Data ◽  
Nearest Neighbour ◽  
K Nearest Neighbor ◽  
Feature Extraction Method ◽  
Feature Based ◽  
Index Terms ◽  
Very High

The development of fruit local industry is very high, but it less competitive than the imported fruit product. The kind of Indonesian fruit is very variative, but the support technology in this industry is stiil not implemented. This problem make the local fruit industry cannot compete with imported fruit. The purpose of the research is to develop a technology that can increase the using of technology on fruit industry. This research focus is fruit sweetness measeurment technology. This research the fruit tapping sound. Fast Fourier Transform is used as sound feature extraction method to get the feature. Based on the feature the fruit sweetness level can be predicted using the k Nearest Neighbour (kNN). The experiment on this research is divided into two parts. is using the training data to predict the sweetness levelof the fruits. The result of the research shows that the correlation between tapping sound and sweetness level can be used to predict the sweetness level of the fruit. Index Terms—Sweetness Degree, Brix, k Nearest Neighbor, and Fast Fourier Transform.

scholarly journals IMPLEMENTASI METODE K-NEAREST NEIGHBOUR (K_NN) UNTUK MENDUGA SALINITAS AIR LAUT

2020 ◽  
Vol 1 (1) ◽  
pp. 27-32
Author(s):  
Yuri Efenie ◽  
Miftahul Walid
Keyword(s):  
Measurement Method ◽  
Additional Data ◽  
Nearest Neighbor ◽  
Sea Water ◽  
Training Data ◽  
Nearest Neighbour ◽  
K Nearest Neighbor ◽  
Long Time ◽  
Input Variables

In this research, trying to predict the salinity of sea water using the K-Nearest Neighbor method, this method serves to clarify the input data using the distance measurement method with training data, the variable used in this study is the value of the location of coordinates (latitude and longitude) and the output is in the form of salinity, the case study in this study is the southern waters of Sumenep, the system has been able to make an estimate but with an error rate of 1.00 so that there is a need for re-analysis because the data used is only small, the need for additional data so that the results will be more optimal, it is also necessary to experiment with changing methods or simplifying rules or by adding input variables in the system that have been created so that it produces better accuracy values, because the existing system still requires a long time in estimating.

scholarly journals Implementasi K-Nearest Neighbor untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna RGB

2020 ◽  
Vol 7 (6) ◽  
pp. 1129
Author(s):  
Lia Farokhah
Keyword(s):  
Neural Networks ◽  
Computer Vision ◽  
Convolutional Neural Networks ◽  
Nearest Neighbor ◽  
Nearest Neighbour ◽  
K Nearest Neighbor ◽  
Color Features ◽  
Knn Classification ◽  
Total Data ◽  
Shape Characteristics

<p class="Abstrak">Era computer vision merupakan era dimana komputer dilatih untuk bisa melihat, mengidentifikasi dan mengklasifikasi seperti kecerdasan manusia. Algoritma klasifikasi berkembang dari yang paling sederhana seperti K-Nearest Neighbor (KNN) sampai Convolutional Neural Networks. KNN merupakan algoritma klasifikasi yang paling sederhana dalam mengklasifikasikan sebuah gambar kedalam sebuah label. Metode ini mudah dipahami dibandingkan metode lain karena mengklasifikasikan berdasarkan jarak terdekat dengan objek lain (tetangga). Tujuan penelitian ini untuk membuktikan kelemahan metode KNN dan ekstraksi fitur warna RGB dengan karakteristik tertentu. Percobaan pertama dilakukan terhadap dua objek dengan kemiripan bentuk tetapi dengan  warna yang  mencolok di salah satu sisi objek. Percobaan kedua terhadap dua objek yang memiliki perbedaan karakteristik bentuk meskipun memiliki kemiripan warna. Empat objek tersebut adalah bunga coltsfoot, daisy, dandelion dan matahari. Total data dalam dataset adalah 360 data. Dataset memiliki tantangan variasi sudut pandang, penerangan, dan  gangguan dalam latar. Hasil menunjukkan bahwa kolaborasi metode klasifikasi KNN dengan ekstraksi fitur warna RGB memiliki kelemahan terhadap percobaan pertama dengan akurasi 50-60% pada K=5. Percobaan kedua memiliki akurasi sekitar 90-100% pada K=5. Peningkatan akurasi, precision dan recall terjadi ketika menaikkan jumlah K yaitu dari K=1menjadi K=3 dan K=5.</p><p><strong>Kata kunci</strong>: k-nearest neighbour, RGB, kelemahan, kemiripan, bunga</p><p class="Judul2" align="left"> </p><p class="Judul2"> </p><p class="Judul"><em>IMPLEMENTATION OF K-NEAREST NEIGHBOR FOR FLOWER CLASSIFICATION WITH EXTRACTION OF RGB COLOR FEATURES</em></p><p class="Judul"><em>The era of computer vision is an era where computers are trained to be able to see, identify and classify as human intelligence. Classification algorithms develop from the simplest such as K-Nearest Neighbor (KNN) to Convolutional Neural Networks. KNN is the simplest classification algorithm in classifying an image into a label. This method is easier to understand than other methods because it classifies based on the closest distance to other objects (neighbors). The purpose of this research is to prove the weakness of the KNN method and the extraction of RGB color features for specific characteristics. The first  experiment on two objects with similar shape but with sharp color on one side of the object. The second experiment is done on two objects that have different shape characteristics even having a similar colors. The four objects are coltsfoot, daisy, dandelion and sunflower. Total data in the dataset is 360 data. The dataset has the challenge of varying viewpoints, lighting and background noise. The results show that the collaboration of the KNN classification method with RGB color feature extraction has weakness in the first experiment with the level of accuracy about 50-60% at K = 5. The second experiment has an accuracy of around 90-100% at K = 5. Increased accuracy, precision and recall occur when increasing the amount of K, from K = 1 to K = 3 and K = 5.</em></p><p class="Judul2"> </p><p class="Judul2" align="left"> </p><strong>Keywords</strong>: <em>k-nearest neighbour</em>, RGB, <em>weakness, similar, flower</em>

scholarly journals Penerapan Algoritma K-Nearest Neighbour Dalam Menentukan Pembinaan Koperasi Kabupaten Kotawaringin Timur

2019 ◽  
Vol 5 (3) ◽  
pp. 232
Author(s):  
Yuni Ambar Setianto ◽  
Kusrini Kusrini ◽  
Henderi Henderi
Keyword(s):  
Data Mining ◽  
Human Resources ◽  
Nearest Neighbor ◽  
Classification Method ◽  
Nearest Neighbour ◽  
K Nearest Neighbor ◽  
Cooperative Management ◽  
Length Of Service ◽  
Service Category ◽  
Technical Guidance

Saat ini pembinaan terhadap koperasi yang ada di lingkungan Pemerintah Kabupaten Kotawaringin Timur sangat diperlukan karena adanya koperasi yang baru berdiri maupun yang telah lama berdiri kinerjanya menurun yaitu omset koperasi turun sebesar 30% dan lambat dalam melaksanakan Rapat Anggota Tahunan (RAT) yaitu pada tahun 2016 sebanyak 164 koperasi dan tahun 2017 sebanyak 140 koperasi. Dengan jumlah koperasi saat ini Dinas Koperasi kekurangan SDM pembina, oleh karena itu perlu menentukan koperasi yang diprioritaskan mendapatkan pembinaandengankriteria yaitu jenis koperasi, masa kerja, kategori, jumlah anggota, modal sendiri, volume usaha, dan SHU. Dinas Koperasi dan UKM Kabupaten Kotawaringin Timur melakukan pembinaan dengan bimbingan teknis terhadap koperasidan audit terhadap kepengurusan dan keuangan Koperasi, namun karena belum adanya pedoman dalam menentukan koperasi yang layak untuk dilakukan pembinaan sehingga sering mengakibatkan salah sasaran dalam memilih koperasi yaitu koperasi yang seharusnya mendapat pembinaan tetapi tidak dilaksanakan pembinaan.. Salah satu cara untuk mengatasi permasalah tersebut adalah dengan Data Mining dengan metode klasifikasi menggunakan algoritma K-Nearest Neighbour (K-NN). Penelitian ini menerapkan algoritma K-NN dalam menentukan koperasi yang layak mendapatkan pembina. Hasil yang dari penelitian ini adalah klasifikasi koperasi yang layak mendapatkan pembinaan dengan akurasi yang diperoleh sebesar 96,33%.Kata Kunci — Pembinaan, Klasifikasi, KNNCurrently coaching of cooperatives in Kotawaringin Timur District is very necessary because the existence of cooperatives that established and have long been established, their performance has decreased, namely the turnover of cooperatives fell by 30% and slow in carrying out the RAT, namely in 2016 as many as 164 cooperatives and in 2017 there were 140 cooperatives. Cooperatives currently the Department of Cooperatives is lacking in human resources, it is therefore necessary to determine which cooperatives are prioritized to get guidance with criteria such as type of cooperative, length of service, category, number of members, own capital, business volume, and SHU. Cooperative District conducts coaching with technical guidance on cooperatives and audits of Cooperative management and finance, but due to the lack of guidelines in determining appropriate cooperatives for coaching that often results in mis-targeting in choosing cooperatives, namely cooperatives that should receive guidance but not coaching is carried out. One way to overcome these problems is by Data Mining using a classification method with K-Nearest Neighbor (K-NN) algorithm. This study applies the K-NN algorithm in determining cooperatives that are eligible for guidance. The results is with an accuracy of 96.33%.Keywords — Coaching, Classification, KNN

scholarly journals Aplikasi Rekomendasi Rumah Makan Menggunakan Algoritma K-Nearest Neighbour Berbasis Android (Studi kasus : Kecamatan Banyuwangi)

Repositor ◽  
2020 ◽  
Vol 2 (2) ◽  
pp. 145
Author(s):  
Edo Ardhiansyah ◽  
Setio Basuki ◽  
Galih Wasis Wicaksono
Keyword(s):  
System Application ◽  
Recommendation System ◽  
Nearest Neighbor ◽  
Traditional Food ◽  
Nearest Neighbour ◽  
K Nearest Neighbor ◽  
Google Maps ◽  
Price Range ◽  
The City

ABSTRAK Banyak wisatawan yang silih berganti datang ke Kota Banyuwangi untuk berwisata alam, budaya, maupun kuliner. Banyak pengusaha yang mulai menggeluti bisnis rumah makan karena banyaknya wisatawan yang datang. Semakin menjamurnya bisnis rumah makan di kota Banyuwangi membuat menu makanan yang disajikan beraneka ragam. Tentunya akan membuat kebingungan untuk memilih rumah makan mana yang ingin dikunjungi. Dari permasalahan tersebut, peneliti membuat sebuah aplikasi sistem rekomendasi untuk menentukan pencarian lokasi makan berdasarkan kategori kisaran harga, makanan berkuah, digoreng, dibakar, makanan tradisional Banyuwangi, dan lain-lain. Diimplementasikan menggunakan teknologi android yang semakin memudahkan dalam mengakses aplikasi ini. Aplikasi ini dapat mempermudah pencarian lokasi, karena adanya fasilitas Google Maps API yang dapat menunjukkan titik koordinat lokasi. Dalam penelitian ini, rekomendasi untuk mencari rumah makan akan menggunakan Algoritma K-Nearest Neighbor (K-NN).ABSTRACT Many tourists come and go to Banyuwangi City for nature, culture, and culinary trip. Many entrepreneurs are starting to cultivate the restaurant business because of the large number of tourists who come. The proliferation of restaurant business in the city of Banyuwangi make the food menu is presented variously.  Surely it will create confusion to choose which restaurants to visit. From the problem, the researcher made a recommendation system application to determine the location search for food based on price range category, food sauce, fried, baked, traditional food of Banyuwangi, and others. Implemented using android technology that makes it easier to access this application. This app can make location search easier, because of the Google Maps API facility that can show the location coordinate point.  In this study, recommendations for finding restaurants will use the K-Nearest Neighbor (K-NN) Algorithm

scholarly journals KLASIFIKASI SENTIMENT ANALYSIS PADA KOMENTAR PESERTA DIKLAT MENGGUNAKAN METODE K-NEAREST NEIGHBOR

Kilat ◽  
2019 ◽  
Vol 8 (1) ◽  
Author(s):  
Riki Ruli A. Siregar ◽  
Zuhdiyyah Ulfah Siregar ◽  
Rakhmat Arianto
Keyword(s):  
Sentiment Analysis ◽  
Test Data ◽  
Nearest Neighbor ◽  
Cosine Similarity ◽  
Training Data ◽  
K Nearest Neighbor ◽  
Term Frequency ◽  
Document Frequency ◽  
Negative Comments

The process of analyzing and classifying comment data done by reading and sorting one by one negative comments and classifying them one by one using Ms. Excel not effective if the data to be processed in large quantities. Therefore, this study aims to apply sentiment analysis on comment data using K-Nearest Neighbor (KNN) method. The comment data used is the comments of the participants of the training on Udiklat Jakarta filled by each participant who followed the training. Furthermore, the comment data is processed by pre-processing, weighting the word using Term Frequency-Invers Document Frequency, calculating the similarity level between the training data and test data with cosine similarity. The process of applying sentiment analysis is done to determine whether the comment is positive or negative. Furthermore, these comments will be classified into four categories, namely: instructors, materials, facilities and infrastructure. The results of this study resulted in a system that can classify comment data automatically with an accuracy of 94.23%

Sign in / Sign up

Export Citation Format

Share Document