kNN adalah salah satu metode yang popular karena mudah dieksploitasi, generalisasi yang biak, mudah dimengerti, kemampuan beradaptasi ke ruang fitur yang rumit, intuitif, atraktif, efektif, flexibility, mudah diterapkan, sederhana dan memiliki hasil akurasi yang cukup baik. Namun kNN memiliki beberapa kelemahan, diantaranya memberikan bobot yang sama pada setiap attribut sehingga attribut yang tidak relevant juga memberikan dampak yang sama dengan attribut yang relevant terhadap kemiripan antar data. Masalah lain dari kNN adalah pemilihan tetangga terdekat dengan system suara terbanyak, dimana system ini mengabaikan kemiripan setiap tetangga terdekat dan kemungkinan munculnya mayoritas ganda serta kemungkinan terpilihnya outlier sebagai tetangga terdekat. Masalah-masalah tersebut tentu saja dapat menimbulkan kesalahan klasifikasi yang mengakibatkan rendahnya akurasi. Pada penelitian kali ini akan dilakukan peningkatan akurasi dari kNN tersebut dalam melakukan klasifikasi terhadap data Index Standar Pencemaran Udara di Pekanbaru dengan menggunakan pembobotan attribut (Attibute Weighting) dan local mean. Adapun hasil dari penelitian ini didapati bahwa metode yang diusulkan mampu untuk meningkatkan akurasi sebesar 2.42% dengan rata-rata tingkat akurasi sebesar 97.09%.
Saat ini, kebutuhan akan mesin peringkas dokumen teks menjadi semakin nyata karena semakin banyaknya informasi digital yang tersedia baik online maupun offline. Mesih peringkas dokumen teks dibutuhkan agar pembacaan dan pencarian informasi menjadi lebih cepat. Literatur review ini membahas metode, aplikasi, dataset dan Teknik evaluasi yang dapat diimplementasikan untuk riset di bidang peringkasan dokumen untuk teks berbahasa Indonesia. Kami melakukan review terhadap berbagai teknik text summarization, baik unsupervised maupun supervised, dataset yang dapat digunakan sebagai baseline dalam pengembangan sebuah metode dan evaluation measure yang tepat. Literature review ini juga akan menjelaskan sejauh apa perkembangan riset di bidang text summarization untuk dokumen berbahasa Indonesia.
Computational Thinking (CT) dikembangkan dari konsep dasar informatika (ilmu komputer) dengan cara mengabstraksi masalah lalu mengilustrasikan dan akhirnya mampu memberikan solusi yang optimal. CT adalah skill fundamental yang harus dimiliki oleh setiap orang di abad ke-21. CT pertama kali dibawa masuk ke Indonesia melalui Bebras Indonesia NBO pada tahun 2016. Kegiatan yang diangkat dalam PkM ini adalah implementasi CT pada MAN 2 yang berlokasi di Pekanbaru. MAN 2 Pekanbaru ingin membentuk siswa-siswi sekolahnya untuk mampu berpikir kritis dan terstruktur guna memecahkan permasalahan yang dihadapi. Salah satu solusi yang diambil adalah menerapkan pemahaman CT dengan memanfaatkan bantuan teknologi agar siswa-siswi dapat memahami alur solusi dengan lebih mudah. Perangkat lunak yang digunakan sebagai media visualisasi bernama Scratch. Scratch ini merupakan aplikasi sederhana yang tidak memerlukan pengetahuan Bahasa pemrograman, karena menerapkan konsep blok-blok kode yang hanya perlu disusun berdasarkan alur algoritma atau secara CT. Melalui PkM dengan tim dosen prodi Teknik Informatika di Politeknik Catex diharapkan dapat membantu terwujudnya proses pemahaman CT. Dengan terlaksananya PkM ini siswa-siswi MAN 2 Pekanbaru dapat mema kedepannya dapat memberikan solusi yang efektif, efesien, dan optimal baik itu dalam hal pendidikan maupun dalam kehidupan seharihari menggunakan visualisasi menarik menggunakan aplikasi Scratch.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.