SKRIPSI Jurusan Teknik Elektro - Fakultas Teknik UM, 2019

Ukuran Huruf:  Kecil  Sedang  Besar

Analisis Kinerja Metode K-NN Sebagai Pengklasifikasi Jurnal Internasional

Kurniawan Ahmad Chandra

Abstrak


RINGKASAN

Kurniawan, Ahmad Chandra. 2019. Analisis Kinerja Metode K-NN Sebagai Pengklasifikasi Jurnal Internasional. Skripsi. Jurusan Teknik Elektro, Fakultas Teknik, Universitas Negeri Malang. Pembimbing (I) Aji Prasetya Wibawa, S.T., M.M.T., Ph.D. (II) Harits Ar Rosyid, S.T., M.M.T., Ph.D.

Kata kunci: K-Nearest Neighbor, Klasifikasi, SCImago Journal Rank

Jurnal merupakan salah satu media yang digunakan untuk publikasi karya ilmiah berupa penelitian terbaru yang didukung dengan bukti yang kuat, relevan dan komperhensif untuk membuktikan valid tidaknya penelitian tersebut. Hasil penelitian yang telah terpublikasi pada suatu jurnal sering dijadikan rujukan dalam penelitian lain sebagai upaya pengembangan dari penelitian sebelumnya. Dalam merujuk suatu karya ilmiah, masyarakat dapat memanfaatkan situs-situs perankingan jurnal untuk menemukan jurnal dengan kualitas terbaik. SCImago Journal Rank (SJR) adalah salah satu situs perankingan jurnal bereputasi yang terintegrasi dengan database Scopus. Jurnal-jurnal pada SJR telah coba diklasifikasikan dengan beberapa metode namun hasil yang diperoleh masih belum optimal. Oleh karena itu, perlu dilakukan penelitian lebih lanjut untuk menemukan metode alternatif yang mampu mendekati sistem klasifikasi SJR.

Metode klasifikasi yang digunakan pada penelitian ini adalah K-Nearest Neighbor (K-NN). K-NN dipilih karena dianggap sesuai dengan karakteristik data yang dimiliki. Variabel input yang memiliki tipe data numerik cocok dengan metode K-NN yang bekerja menggunakan jarak tetangga terdekat dari suatu data. Selain itu, K-NN tergolong metode klasifikasi yang paling sederhana namun sering menghasilkan kinerja yang kompetitif. Proses klasifikasi dilakukan sebanyak sembilan skenario dengan 2-fold hingga 10-fold cross validation. Setiap skenario memperoleh 25 hasil klasifikasi dengan 1 hingga 25 tetangga terdekat. Tujuannya untuk mendapatkan kinerja algoritma terbaik berdasarkan parameter tetangga terdekat dan jumlah fold yang digunakan.

Berdasarkan hasil penelitian, performa klasifikasi terbaik diperoleh pada skenario klasifikasi kelima dengan 6-fold cross validation dan 16 tetangga terdekat. Hal tersebut dibuktikan dengan nilai akurasi, precision, recall (sensitivity), specificity, dan f-score yang diperoleh merupakan yang tertinggi dibanding delapan skenario lainnya, yaitu secara berturut-turut sebesar 63.58%, 64.20%, 63.58%, 85.43%, dan 0.639. Sementara itu, nilai error rate yang diperoleh pada skenario klasifikasi kelima menunjukkan nilai terendah, yaitu sebesar 36.42%. Meskipun begitu, rata-rata performa terbaik yang dicapai dari seluruh skenario berdasarkan nilai akurasi hanya mencapai 63%. Hal tersebut memunculkan asumsi bahwa metode K-NN kurang mampu menghasilkan kinerja optimal yang mendekati sistem klasifikasi SJR