Rekomendasi Buku Menggunakan K-Nearest Neighbor (KNN) dan Binary Particle Swarm Optimization (BPSO)

Gohzali, Hernawati; Megawan, Sunario; Erwin, Erwin; Onggo, Jeffrey

doi:10.55601/jsm.v20i1.659

Cited by 3 publications

(5 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Tiap posisi memiliki nilai antara 0 dan 1 dimana nilai 0 menandakan fitur yang tidak terpilih dan nilai 1 menandakan fitur yang terpilih. Kecepatan partikel akan diperbarui tiap iterasi dengan persamaan (2) (Gohzali et al, 2019).…”

Section: Seleksi Fiturunclassified

Analisis Seleksi Fitur Binary PSO Pada Klasifikasi Kanker Berdasarkan Data Microarray Menggunakan DWKNN

Mangalik¹,

Saragih

Nugrahadi³

et al. 2023

JIP

View full text Add to dashboard Cite

Salah satu penyakit mematikan penyebab kematian terbesar secara global adalah kanker. Kematian akibat kanker dapat diredam melalui deteksi dini terhadap kanker dengan memanfaatkan teknologi microarray. Namun teknologi ini memiliki kekurangan, yaitu jumlah gen (fitur) yang terlalu banyak. Kekurangan tersebut dapat diatasi dengan melakukan seleksi fitur terhadap data microarray. Salah satu algoritma seleksi fitur yang dapat digunakan adalah Binary Particle Swarm Optimizationi (BPSO). Pada penelitian ini, dilakukan seleksi fitur dengan BPSO pada data microarray dan klasifikasi menggunakan Distance Weighted KNN (DWKNN). Kemudian akan dilihat perbandingan hasil akurasi, presisi, recall, dan f1-score antara DWKNN dan BPSO-DWKNN. Seleksi fitur dan klasifikasi (BPSO-DWKNN) pada dataset Leukemia menghasilkan akurasi, presisi, recall, dan f1-score tertinggi beturut-turut sebesar 93,12%, 94,39%, 95,92%, dan 94,8%. Pada dataset Lung Cancer diperoleh akurasi, presisi, recall, dan f1-score tertinggi beturut-turut sebesar 98,36%, 98,77%, 99,35%, dan 99,03%. Pada dataset Prostate Cancer diperoleh akurasi, presisi, recall, dan f1-score tertinggi beturut-turut sebesar 86,81%, 89,13%, 88,04%, dan 88,07%. Pada dataset Diffuse Large B-Cell Lymphome diperoleh akurasi, presisi, recall, dan f1-score tertinggi beturut-turut sebesar 85,8%, 93,21%, 88,1%, dan 89,76%. Hasil perbandingan menunjukkan peningkatan akurasi, presisi, recall, dan f1-score pada algoritma DWKNN dengan seleksi fitur BPSO dibandingkan dengan algoritma DWKNN tanpa seleksi fitur BPSO.

show abstract

Section: Seleksi Fiturunclassified

Analisis Seleksi Fitur Binary PSO Pada Klasifikasi Kanker Berdasarkan Data Microarray Menggunakan DWKNN

Mangalik¹,

Saragih

Nugrahadi³

et al. 2023

JIP

View full text Add to dashboard Cite

show abstract

“…Sistem rekomendasi adalah program yang dapat merekomendasikan barang yang paling relevan berupa produk atau layanan kepada pengguna dengan memprediksi minat pengguna terhadap barang berdasarkan informasi yang relevan tentang barang, pengguna dan interaksi antara barang dan pengguna. Tujuan pengembangan sistem rekomendasi adalah untuk mengurangi kelebihan informasi dengan mengekstraksi informasi dan layanan yang paling relevan dari sejumlah besar data, sehingga memberikan layanan yang dipersonalisasi [4].…”

Section: Tinjauan Pustaka 21 Sistem Rekomendasiunclassified

Sistem Rekomendasi Tempat Wisata Di Bali Menggunakan Imdb Weigted Rating Dan Chatbot

Oktafiana Susanti,

Setiawan,

Indra ER

2023

SPEKTRUM

View full text Add to dashboard Cite

The Bali government is trying to re-optimize Bali's tourism potential after the Covid-19 pandemic. To improve the Balinese economy which had declined during the Covid-19 pandemic where foreign tourist visits decreased by 99.93%. In 2022, the tourism industry in Bali finally recovered with an increase in foreign tourist visits by 12.23%. The Bali government needs to optimize the number of foreign tourist visits to re-optimize the tourism sector. One way that can be done is to improve digital-based information services to introduce Bali to tourists. Therefore, to assist the Bali provincial government in optimizing the tourism sector, a recommendation system for tourist attractions in Bali called "MELALI" was created by utilizing the IMDb Weighted Rating algorithm and equipped with a chatbot as a customer service. Based on the results of system testing using Root Mean Square Error (RMSE), the result is 0.0126 (close to zero), this shows that the model made has a small error rate, besides that the chatbot feature has also been able to identify keywords and provide output in accordance with the requested keywords. Overall the system is running well.

show abstract

“…K-Nearest Neighbor melakukan klasifikasi menurut mayoritas dari kategori tetangga yang paling dekat [6]. K-Nearest Neighbor juga dapat diterapkan pada pengenalan pola serta pengendalian data [18] dan melakukan klasifikasi pada objek berdasarkan data training dengan jarak terdekat dengan objek tersebut [19]…”

Section: Metode K-nearest Neighborunclassified

“…Macine Leraning Dari 20 orang yang melakukan input data laptop yang diinginkan terdapat 10 data untuk data training serta menghasilkan 85% kepuasan pengguna pada Ha Perekomendasian buku dengan KNN dan BPSO [18] Macine Leraning Tsisteerdapat 3 pengujian dengan pengujian 1 menggunakan data training 20 menghasilkan nilai akurasi untuk dengan seleksi fitur 47.5 dan tanpa seleksi fitur 57.5, pengujian 2 dengan data training 25 menghasilkan akurasi untuk dengan seleksi fitur 52.7 dan tanpa seleksi fitur 53.33 dan pengujian 3 dengan 30 data training menghasilkan nilai akurasi untuk dengan seleksi fitur 57.2 dan tanpa seleksi 54.7.…”

Section: Pengimplementasian Knn Pada Rekomendasi Laptop [7]unclassified

“…Pada penelitian [7] dihasilkan presentase kepuasan pengguna dari hasil rekomendasi yaitu sebesar 85%. Pada penelitian [18] dihasilkan dengan menggunkana 3 penguian, pengujian 1 rata rata nilai akurasi dengan menggunakan seleksi fitur 47.5 dan tanpa seleksi fitur 57.5. Pada pengujian 2 rata-rata nilai akurasi untuk dengan seleksi fitur sebanyak 53.33, dan tanpa seleksi fitur sebanyak 52.7.…”

Section: Pengimplementasian Knn Pada Rekomendasi Laptop [7]unclassified

See 1 more Smart Citation

Penerapan Metode Content Based Filtering Dan KNN Pada Aplikasi Rekomendasi Laptop Berbasis Mobile

Ikhsani Suwandy Futri,

Nuraini Siti Fathonah

2023

jati

View full text Add to dashboard Cite

Laptop adalah suatu perangkat yang memiliki ukuran yang kecil serta ringan dan dapat digunakan dimana saja. Laptop pada saat ini banyak sekali digunakan oleh pekerja maupun pelajar untuk memenuhi aktivitas yang berhubungan dengan internet. Banyaknya orang yang menggukaan laptop menyebabkan banyaknya perusahaan mengeluarkan berbagi merk laptop dengan berbagai spesifikasi. Adanya berbagai macam merk yang dikeluarkan oleh perusahaan menyebabkan banyak orang yang merasa bingung dalam memilih jenis laptop yang sesuai. Sistem yang dapat merekomendasikan laptop yang sesuai dengan kebutuhan dan keinginan pemakai akan sangat dibutuhkan atau diperlukan. Penelitian menggunakan metode Systematic Literature Review yang didalamnya membaas mengenai hasil penelitian sebelumnya mengenai sistem rekomendasi dengan menggunakan metode Content Based Filtering dan KNN. Penelitian sebelumnya memberikan hasil bahwa metode Content Based Filtering dan KNN dapat diimplementasikan cukup baik untuk rekomendasi laptop.

show abstract

Rekomendasi Buku Menggunakan K-Nearest Neighbor (KNN) dan Binary Particle Swarm Optimization (BPSO)

Cited by 3 publications

References 9 publications

Analisis Seleksi Fitur Binary PSO Pada Klasifikasi Kanker Berdasarkan Data Microarray Menggunakan DWKNN

Analisis Seleksi Fitur Binary PSO Pada Klasifikasi Kanker Berdasarkan Data Microarray Menggunakan DWKNN

Sistem Rekomendasi Tempat Wisata Di Bali Menggunakan Imdb Weigted Rating Dan Chatbot

Penerapan Metode Content Based Filtering Dan KNN Pada Aplikasi Rekomendasi Laptop Berbasis Mobile

Contact Info

Product

Resources

About