Analisis Penggunaan Fingerprint Dengan Metode K-Nearest Neighbors Bagi Pegawai dan Dosen Studi Kasus Universitas Stella Maris Sumba
Article Sidebar
Main Article Content
Abstract
Penelitian ini mengukur keakuratan dan efektivitas K-Nearest Neighbors dalam menganalisis pemakaian fingerprint. Dalam penelitian ini, penulis mengumpulkan data terbaru dengan teknik web scraping. Data tersebut kemudian dibersihkan dan diberi label, menghasilkan ulasan positif dan ulasan negatif. Proses preprocessing dilakukan, termasuk case folding, tokenisasi, filtering, dan stemming. Setelah tahap pengolahan data, penulis menerapkan algoritma K-Nearest Neighbor (KNN). Data tersebut diuji untuk menghasilkan ulasan negatif dan ulasan positif.. Hasil penelitian menunjukkan tingkat akurasi KNN. Penelitian ini diharapkan memberikan pemahaman tentang penggunaan KNN dalam menganalisis sentimen pengguna fingerprint. Dataset melibatkan parameter berat badan dan faktor-faktor lain yang berpengaruh. Model dikembangkan dan diuji menggunakan teknik cross-validation untuk memastikan konsistensi kinerja. Temuan penelitian menunjukkan bahwa penerapan Algoritma K-NN dengan Wrapper preprocessing dapat meningkatkan akurasi penentuan Fingerprint Dengan Metode K-Nearest Neighbors Bagi Pegawai Dan Dosen. Penerapan metode K-Nearest Neighbor dan K-Nearest Neighbor dengan Wrapper sebagai tahap preprocessing dalam menentukan keterangan berat manusia mendapatkan hasil nilai akurasi yang sama yaitu sebesar 90,48%.
Downloads
Article Details
Hendri, Rifwan. 2018. “No Title.” https://travel.tempo.co/read/1149739/enam-manfaat-traveling-di-kehidupan-yang-semakin-sibuk.
Mentari, Nurul Dyah, M Ali Fauzi, and Lailil Muflikhah. 2018. “Analisis Sentimen Kurikulum 2013 Pada Sosial Media Twitter Menggunakan Metode K-Nearest Neighbor Dan Feature Selection Query Expansion Ranking.” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya 2(8): 2739–43.
Salam, Abu, Junta Zeniarja, and Rima Septiyan Uswatun Khasanah. 2018. “Analisis Sentimen Data Komentar Sosial Media Facebook Dengan K-Nearest Neighbor (Studi Kasus Pada Akun Jasa Ekspedisi Barang J&T Ekpress Indonesia).” Prosiding SINTAK: 480–86.
Wilianto, L., Pudjiantoro, T. H., & Umbara, F. R. 2017. Analisis Sentimen Terhadap Tempat Wisata Dari Komentar Pengunjung Dengan Menggunakan Metode Naive Bayes Classifier Studi Kasus Jawa Barat. Jurnal Prosiding Snatif Vol. 4.
Liu, B. 2012. Sentiment analysis and opinion mining. Synthesis lectures on human language technologies. California: Morgan & Claypool Publishers.
Kim, S. B., Han, K. S., Rim, H. C., & Myaeng, S. H. 2006. “Some effective techniques for naive bayes text classification.” IEEE transactions on knowledge and data engineering, 18(11), 1457- 1466.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.