Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal JURNAL TEKNIK INFORMATIKA DAN KOMPUTER
Tezar Maula
Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Widuri
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
PERBANDINGAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) DENGAN DECISION TREE (C4.5) UNTUK MENENTUKAN JUDUL BUKU BERDASARKAN PEMINATAN PADA PERPUSTAKAAN KANTOR PUSAT BPK RI ari ardiansyah sinta; Tezar Maula; Agus Budiyantara
Jurnal Teknik Informatika dan Komputer Vol. 2 No. 2 (2023): Jurnal Teknik Informatika dan Komputer
Publisher : UHAMKA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22236/jutikom.v2i2.12654

Abstract

Buku adalah kumpulan kertas atau bahan lain yang berisi teks, gambar, atau lampiran yang  digabungkan menjadi satu pada satu ujungnya. Penanda buku yang pertama adalah judul, yaitu judul atau judul artikel, dan biasanya muncul di sampul depan. Judulnya yang singkat, padat, jelas dan biasanya menarik membuat orang tertarik untuk membaca buku tersebut. Terjadi permasalahan pada perpustakaan BPK RI penjaga perpustakaan kesulitan saat membuka kembali catatan data peminjaman buku dan kesulitan mengumpulkan judul buku yang paling banyak dipinjam mengingat banyaknya data peminjam yang terdapat di dalam buku catatan. Tujuan dari penelitian ini adalah untuk menganalisa akurasi dan mengklasifikasikan judul buku favorit berdasarkan catatan peminjaman buku pada perpustakaan kantor pusat BPK RI dan untuk membandingkan algoritma K-Nearest Neighbor (K-NN) dengan Decision Tree (C4.5) dalam menentukan judul buku berdasarkan peminatan. Dataset yang digunakan dalam penelitian ini berjumlah 644 data. Dari 644 data tersebut di proses atau dibagi menjadi data training sebanyak 451 dan data testing sebanyak 193 data menggunakan tools rapidminer. Dari hasil perbandingan algoritma K-Nearest Neighbor (K-NN) memperoleh hasil akurasi sebesar 94,82% sedangkan Decision Tree (C4.5) memperoleh hasil akurasi 95,34%. Dapat disimpulkan bahwa hasil akurasi Decision Tree lebih baik dari pada nilai akurasi K-Nearest Neighbor.
Co-Authors ari ardiansyah sinta Budiyantara, Agus