Publisher

UNITY ACADEMYUNITY ACADEMY

Journal Jurnal Ilmu Komputer dan Sistem InformasiJurnal Ilmu Komputer dan Sistem Informasi Abstract

Penelitian ini bertujuan untuk memeriksa penerapan algoritma K-Nearest Neighbor (K-NN) dalam mengklasifikasikan struktur daerah pada Kota Medan, yang merupakan salah satu kota terbesar di Indonesia. Kota Medan memiliki beragam karakteristik struktur wilayah yang membutuhkan pendekatan analisis yang tepat untuk pengelolaan dan perencanaan tata ruang. Algoritma K-NN dipilih karena kemampuannya dalam mengelompokkan data berdasarkan kedekatannya dengan titik data lain, yang sangat sesuai dengan kebutuhan analisis klasifikasi wilayah. Dalam penelitian ini, data yang digunakan mencakup berbagai atribut struktur daerah seperti kepadatan penduduk, penggunaan lahan, serta infrastruktur yang terdapat pada setiap kecamatan di Kota Medan. Metode yang digunakan adalah pengolahan data statistik untuk mengelompokkan wilayah dengan karakteristik serupa, menggunakan algoritma K-NN sebagai metode klasifikasi. Hasil yang diharapkan dari analisis ini akan memberikan gambaran yang jelas mengenai pola distribusi struktur wilayah di Kota Medan, serta membantu dalam perencanaan dan pengembangan kota yang lebih efisien dan terarah. Keakuratan model K-NN dalam mengklasifikasikan wilayah juga akan dibandingkan dengan algoritma lainnya untuk menilai efektivitas dan keandalannya dalam konteks studi ini.

Conclusion

Dalam penelitian ini, telah dilakukan analisis klasifikasi struktur daerah di Kota Medan menggunakan algoritma K-NN (K-Nearest Neighbor).Penelitian ini bertujuan untuk mengidentifikasi dan mengelompokkan wilayah-wilayah dengan karakteristik serupa berdasarkan atribut seperti kepadatan penduduk, penggunaan lahan, dan distribusi infrastruktur.Berdasarkan hasil eksperimen, dapat disimpulkan bahwa K-NN merupakan algoritma yang efektif untuk melakukan klasifikasi data geospasial di Kota Medan dengan tingkat akurasi yang cukup tinggi.Meskipun begitu, ada beberapa masalah yang harus dipertimbangkan dalam penerapan algoritma ini.Salah satu temuan penting pada penelitian ini ialah pentingnya pemilihan fitur yang tepat dalam proses klasifikasi.Pemilihan atribut yang relevan sangat memengaruhi hasil akhir dari model K-NN.Dalam penelitian ini, atribut seperti kepadatan penduduk, penggunaan lahan, dan infrastruktur terbukti memberikan kontribusi signifikan terhadap pengelompokan wilayah-wilayah di Kota Medan.Penggunaan fitur-fitur ini memungkinkan model K-NN untuk menghasilkan klasifikasi yang lebih akurat dan sesuai dengan karakteristik daerah yang ada.Nilai k dalam algoritma K-NN memberikan kontribusi yang sangat besar dalam penentuan kualitas klasifikasi.Hasil penelitian memperlihatkan bahwa nilai k=5 memberikan hasil yang optimal untuk klasifikasi struktur daerah di Kota Medan.Pemilihan nilai k yang akurat dapat berpengaruh pada ketepatan klasifikasi, karena nilai k yang sangat kecil atau terlalu besar bisa menimbulkan model menjadi sangat peka terhadap outlier atau kehilangan akurasi.Oleh karena itu, eksperimen dengan berbagai nilai k menjadi langkah yang sangat penting untuk menemukan nilai yang paling sesuai dengan data yang digunakan.Selama evaluasi model, metrik yang digunakan seperti akurasi, recall, precision, dan F1-score memperlihatkan bahwa K-NN dapat menghasilkan hasil yang cukup baik.Meskipun demikian, beberapa kelas dengan karakteristik data yang lebih kompleks masih menunjukkan kekurangan dalam hal precision dan recall.Hal ini menunjukkan bahwa meskipun K-NN efektif untuk klasifikasi, ada beberapa kelemahan yang perlu diatasi, terutama dalam hal klasifikasi data yang memiliki keragaman yang lebih tinggi.Oleh sebab itu, diperlukan pengembangan lebih mendalam agar dapat meningkatkan akurasi model, seperti dengan menggunakan teknik pengolahan data yang lebih canggih atau algoritma alternatif.

Future Research

Berdasarkan hasil penelitian ini, ada beberapa saran penelitian lanjutan yang dapat dilakukan. Pertama, penelitian dapat fokus pada pengembangan model K-NN yang lebih canggih dengan menggunakan teknik pengolahan data yang lebih kompleks, seperti metode ensemble atau hybrid, untuk meningkatkan akurasi dan ketahanan model terhadap data yang tidak seimbang atau memiliki outlier. Kedua, penelitian dapat mengeksplorasi algoritma klasifikasi berbasis waktu, yang memungkinkan untuk memantau perubahan struktur daerah dari waktu ke waktu dan menganalisis tren urbanisasi serta memprediksi kebutuhan infrastruktur di masa depan. Ketiga, penelitian dapat mengkombinasikan metode klasifikasi yang berbeda, seperti SVM (Support Vector Machine) atau Decision Tree, untuk meningkatkan kinerja klasifikasi pada data yang lebih kompleks. Dengan menggabungkan metode-metode ini, diharapkan dapat meningkatkan akurasi dan ketepatan klasifikasi struktur daerah di Kota Medan.

References

1. Application of Data Mining to Predict Birth Rates in Medan City Using the K-Nearest Neighbor Method |... doi.org/10.30596/jcositte.v5i1.17991Application of Data Mining to Predict Birth Rates in Medan City Using the K Nearest Neighbor Method doi 10 30596 jcositte v5i1 17991
2. Analisis Sentimen Konsumen terhadap Food, Services, and Value di Restoran dan Rumah Makan Populer Kota... ejurnal.seminar-id.com/index.php/bits/article/view/3231Analisis Sentimen Konsumen terhadap Food Services and Value di Restoran dan Rumah Makan Populer Kota ejurnal seminar id index php bits article view 3231

Metadata

File size	261.8 KB
Pages	12
DMCA	Report