Klasifikasi Pengeluaran per Kapita di Tiga Provinsi Sulawesi menggunakan K-Nearest Neighbor
Abstract views: 298
DOI:
https://doi.org/10.36456/jstat.vol16.no1.a7193
Keywords:
K-Nearest Neighbor, Euclidean, Manhattan, Pengeluaran per Kapita, SulawesiAbstract
Klasifikasi pengeluaran per kapita merupakan analisis pasar yang penting bagi banyak perusahaan untuk menentukan Kabupaten/kota mana yang paling cocok untuk menjual suatu produk di perusahaan tersebut. KNN dapat digunakan untuk berbagai jenis data, termasuk data ekonomi seperti pengeluaran per kapita. Pada penelitian ini, 56 data pengeluaran per kapita di provinsi Sulawesi Selatan, Sulawesi Utara, dan Sulawesi Tenggara pada tahun 2022 diklasifikasi dengan algoritma KNN. Proses klasifikasi menggunakan algoritma KNN diawali dengan melakukan pre-procecing data dan menghitung jarak antara data pelatihan (data training) dengan data uji (data testing). Dalam perhitungan jarak, digunakan metrik Euclidean dan metrik Manhattan. Selanjutnya, dilakukan perhitungan nilai prediksi berdasarkan data training terdekat. Hasil pengujian pada penelitian ini menunjukkan akurasi tertinggi pada untuk jarak Eucledian sebesar 76,47% yang berarti klasifikasi cukup dan untuk jarak Manhattan sebesar 94,12% yang berarti klasifikasi sangat baik. Dari hasil akurasi kedua jarak tersebut dapat disimpulkan bahwa jarak Manhattan lebih baik daripada jarak Eucledian.
Downloads
References
U. Hasannah and H. Ahmadi, “Pengaruh Ketimpangan Pendapatan, Pendapatan Per Kapita, Dan Pengeluaran Pemerintah Di Bidang Kesehatan Terhadap Sektor Kesehatan Di Indonesia,” J. Ilmu Ekon. Terap., vol. 2, no. 1, pp. 1–18, 2017. DOI: https://doi.org/10.20473/jiet.v2i1.5504
R. F. K. Dewi, O. Obert, and R. Gusmana, “Implementasi Metode K-Nearest Neighbor (KNN) dalam Pengelompokan Status Ekonomi Warga,” J. Big Data Anal. Artif. Intell., vol. 4, no. 1, pp. 15–22, 2018.
A. Hakib, “Pengaruh Konsumsi Rumah Tangga Dan Pengeluaran Pemerintah Terhadap Pertumbuhan Ekonomi Di Sulawesi Selatan Periode 2012-2016,” J. Ekon. Balanc. Fak. Ekon. Dan Bisnis, vol. 15, no. 1, 2019. DOI: https://doi.org/10.24036/jkep.v1i2.6169
J. Zakaria, “Analisis Pertumbuhan Ekonomi dan Disparitas Pendapatan Terhadap Kesejahteraan Antar Daerah Kabupaten/Kota di Provinsi SulawesiSelatan Tahun 2005-2019,” Tata Kelola, vol. 8, no. 1, pp. 2–24, 2021. DOI: https://doi.org/10.52103/jms.v2i1.405
S. I. S. Dai, S. Canon, and D. O. Bauty, “Analisis Pengaruh Rls, Pengeluaran Perkapita, Uhh, Dan Tingkat Kemiskinan Terhadap Ketimpangan Distribusi Pendapatan Di Kbi Dan Kti,” Jesya (Jurnal Ekon. dan Ekon. Syariah), vol. 6, no. 1, pp. 535–544, 2023. DOI: https://doi.org/10.36778/jesya.v6i1.950
A. N. Insany, M. Fajri, and others, “Pemodelan IPM Di Kawasan Timur Indonesia Menggunakan Multivariate Adaptive Regression Spline (MARS),” Nat. Sci. J. Sci. Technol., vol. 8, no. 2, pp. 94–98, 2019. DOI: https://doi.org/10.22487/25411969.2019.v8.i2.13532
M. Y. Darsyah, “Lasifikasi indeks pembangunan manusia (ipm) dengan pendekatan k-nearset neighbor (k-nn),” in Prosiding Seminar Nasional & Internasional, 2017.
W. Yustanti, “Algoritma K-Nearest Neighbour untuk Memprediksi Harga Jual Tanah,” J. Mat. Stat. dan Komputasi, vol. 9, no. 1, pp. 57–68, 2012.
K. Latifah, “Kombinasi Algorithma K-NN dan Manhattan Distance untuk Menentukan Pemenang Lelang,” J. Inform. Upgris, vol. 1, no. 1 Juni, 2015.
R. K. Dinata, H. Akbar, and N. Hasdyna, “Algoritma K-Nearest Neighbor dengan Euclidean Distance dan Manhattan Distance untuk Klasifikasi Transportasi Bus,” Ilk. J. Ilm., vol. 12, no. 2, pp. 104–111, 2020. DOI: https://doi.org/10.33096/ilkom.v12i2.539.104-111
W. Wahyono, I. N. P. Trisna, S. L. Sariwening, M. Fajar, and D. Wijayanto, “Perbandingan penghitungan jarak pada k-nearest neighbour dalam klasifikasi data tekstual,” J. Teknol. dan Sist. Komput., vol. 8, no. 1, pp. 54–58, 2020. DOI: https://doi.org/10.14710/jtsiskom.8.1.2020.54-58
L. Hakim and A. Saefudin, Introduction to Machine Learning Using R, 1st ed. Bogor: IPB Press, 2022.
T. Wahyono, “Fundamental of Python for Machine Learning,” Yoyakarta Penerbit Gava Media, 2018.
F. Gorunescu, Data Mining: Concepts, models and techniques, vol. 12. Springer Science & Business Media, 2011.
