Implementasi Algoritma K-Nearest Neighbor  Untuk Identifikasi Kualitas Air  (Studi Kasus : Pdam Kota Surakarta)

Arnomo, Rio Adi; Saptomo, Wawan Laksito Yuly; Harsadi, Paulus

doi:10.30646/tikomsin.v6i1.345

Cited by 8 publications

(7 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Masing-masing dari kelas ini tentunya mempunyai nilai standar untuk mengklasifikasikan berada dimana kualitas air sungai tersebut. IKA ( Indeks Kualitas Air) dapat ditentukan oleh beberapa parameter yaitu derajat keasaman (pH), konsentrasi TSS (total suspended solid), konsentrasi DO, konsentrasi BOD, konsentrasi COD, konsentrasi total Phospat, konsentrasi Fecal Coliform, konsentrasi Nitrat (NO 3 − N) [3].…”

Section: Pendahuluanunclassified

Klasifikasi Kualitas Air Sungai Berbasis Teknik Data Mining Dengan Metode K-Nearest Neighbor (K-NN)

Prihambodo,

Wildan F Y,

Prayoga

et al. 2023

emitor

View full text Add to dashboard Cite

Sungai merupakan sumber air yang sangat berperan penting dalam kehidupan. Air sungai seharusnya dijaga kualitasnya sehingga terhindar dari pencemaran air oleh limbah industri. Selain itu, dampak dari air yang tercemar pada manusia, yaitu menyebarkan bibit penyakit. Kandungan potagen pada air berpolutan yang berbahaya termasuk bakteri kolera, giardia, dan tifus serta virus berbahaya lain yang dapat menyebabkan hepatitis dan polio. Sehingga menjaga kualitas air sungai merupakan hal sangat penting. Penentuan kualitas air sangat diperlukan untuk selalu menjaga kualitas air mengingat pentingnya manfaatnya untuk kehidupan mahluk hidup. Maka diperlukan suatu cara untuk mengklasifikasikan air tersebut berdasarkan kualitasnya. Salah satu cara yang dilakukkan untuk mempercepat klasifikasi IKA berdasarkan data dan parameter yang telah tersedia yaitu dengan proses data mining. Teknik klasifikasi dapat membantu dalam memprediksi kelas target pada setiap titik data. Pada penelitian ini metode data mining yang digunakan algoritma K-Nearst Neighbor dapatt digunakan sebagai alternatif pengelompokan kualitas air sungai menjadi 4 kelas dengan sampel sebanyak 216 sampel 7 parameter Indeks Kualitas Air (IKA) dan 4 kelas. Maka diperoleh hasil terbaik pada proses klasifikasi dengan metode KNN yaitu memperoleh akurasi sebesar 78,46% dengan nilai data training dan data testing masing-masing 70% dan 30%, serta nilai k=15.

show abstract

Section: Pendahuluanunclassified

Klasifikasi Kualitas Air Sungai Berbasis Teknik Data Mining Dengan Metode K-Nearest Neighbor (K-NN)

Prihambodo,

Wildan F Y,

Prayoga

et al. 2023

emitor

View full text Add to dashboard Cite

show abstract

“…Mengumpulkan kategori 𝑌 (Klasifikasi Nearest Neighbor) Dengan menggunakan kategori Nearest Neighbor yang paling mayoritas maka dapat diprediksi nilai query instance yang telah dihitung [10]. Dimana desain penelitian degan menerapkan use case diagram.…”

Section: )unclassified

Penerapan Metode KNN dalam Memprediksi Hasil Panen Kebun Tebu di Kab Takalar

Situju,

Hayati,

Astuti

2023

BUSITI

View full text Add to dashboard Cite

pertahun yang berasal dari perkebunan tebu yang menjadi komoditas unggulan produksi tanaman perkebunan, namun berdasarkan data BPS terjadi penurunan produktifitas tanaman tebu tahun 2015–2020. Hal ini dikarenakan infrastruktur yang masih terbatas, kesulitan dalam permodalan, terbatasnya penguasaan teknologi baik dalam usaha tani sehingga pengelolaan tanaman tebu menjadi terhambat. Penelitian ini bertujuan untuk mengetahui hasil prediksi kebu tebu pertahunnya dengan memanfaatkan data mining. Data mining yang digunakan dalam penelitian ini adalah metode K-Nearest Neighbour (KNN) yang merupakan metode klasifikasi terhadap obyek baru berdasarkan (K) tetangga terdekatnya. KNN termasuk algoritma supervised learning, dimana hasil dari query instance yang baru, diklasifikasikan berdasarkan mayoritas dari kategori pada KNN. Hasil penelitian menunjukkan dari tahap pengujian dengan jumlah data training sebanyak 13 data didapatkan nilai persentase tertinggi pada nilai K=7 dengan persentase akurasi sebesar 76.92%.

show abstract

“…Recent studies have shown the feasibility of this method, such as combining the K-nearest neighbors (K-NN) and random forest algorithms for the ECG data classification [11], a student's academic performance classification using K-NN and K-means clustering [12], and a clustered K-NN for large data classification [13]. K-NN was chosen as the combination algorithm because it has almost the same data clustering principle as K-means clustering, which is grouping the data groups based on the closest distance using a predetermined number (K) of neighbors [14]. The core of this algorithm is the calculation of the data's distance (distance metric), where the selection of different distance metrics will affect the performance of this algorithm in classifying data [15].…”

Section: Imentioning

confidence: 99%

The Factors that Affect Customer Ratings in E-Commerce Company

Magdalena,

Raharjo,

Sensuse

2023

ICoSTEC

View full text Add to dashboard Cite

In developing the e-commerce business in Indonesia, e-commerce companies must maintain customer satisfaction. In the e-commerce company, customer satisfaction can see from the ratings given by consumers. This research aims to find factors influencing consumers in providing ratings to improve services. The company’s current condition does not know the indicators when consumers give ratings. The current situation is decreasing order because the number of bad rating is higher and impact to profit company. This research uses several methods, such as the Unified Theory of Acceptance and Use of Technology (UTAUT), the Technology Acceptance Model (TAM), and product quality that influences ratings. The target respondents are consumers who have given bad ratings and have never been given a rating, with 326 respondents. The statistical analysis processing used was Partial Least Square (PLS) with SmartPLS v.4 tools. The results of the research concluded that the factors that influence bad rating respondents in giving ratings with significant positive results are the factors of perceived ease of use, social influence, and customer satisfaction, with an r-square rating value of 0.354 (moderate). From moderation, the variable with the most significant positive effect is the female gender. Meanwhile, respondents who have never been given a rating that has a significant positive impact are performance expectancy, social influence, and customer satisfaction, with an r-square value for ratings of 0.823 (strong). The results of this research concluded that there are several improvements to improve service, namely improving application algorithms, developing operational teams, and several strategies to overcome the impact of the covid pandemic.

show abstract

Implementasi Algoritma K-Nearest Neighbor Untuk Identifikasi Kualitas Air (Studi Kasus : Pdam Kota Surakarta)

Cited by 8 publications

References 2 publications

Klasifikasi Kualitas Air Sungai Berbasis Teknik Data Mining Dengan Metode K-Nearest Neighbor (K-NN)

Klasifikasi Kualitas Air Sungai Berbasis Teknik Data Mining Dengan Metode K-Nearest Neighbor (K-NN)

Penerapan Metode KNN dalam Memprediksi Hasil Panen Kebun Tebu di Kab Takalar

The Factors that Affect Customer Ratings in E-Commerce Company

Contact Info

Product

Resources

About