Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Format : Jurnal Imiah Teknik Informatika Jurnal Ilmu Komputer dan Informatika
Alam, Taufik Nur
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Perbandingan Metrik Euclidean dan Metrik Manhattan untuk K-Nearest Neighbors dalam Klasifikasi Kismis Aprihartha, Moch. Anjas; Alam, Taufik Nur; Husniyadi, M.
Jurnal Ilmu Komputer dan Informatika Vol 4 No 1 (2024): JIKI - Juni 2024
Publisher : CV Firmos

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54082/jiki.126

Abstract

Pada konfrensi negara-negara penghasil kismis tanpa biji ke-63, Negara Turki dinobatkan sebagai pemimpin dunia dalam produksi dan ekspor kismis musim 2022/2023. Dalam menghasilkan kismis yang berkualitas sangat bergantung pada varietas anggur dan proses pengolahannya seperti pengeringan, grading, dll. Pada beberapa tempat, penyortiran kismis masih dilakukan secara manual berdasarkan indeks mutu. Namun, proses penyortiran dengan manual memiliki beberapa kelemahan seperti membutuhkan biaya yang besar dan pemilihan kismis oleh manusia cenderung tidak konsisten serta kurang efisien. Untuk mengatasi masalah tersebut maka dilakukan penelitian untuk mengembangkan metode alternatif dalam mengidentifikasi jenis kismis. K-Nearest Neighbors (KNN) merupakan algoritma machine learning nonparametrik yang dapat menyelesaikan masalah klasifikasi atau regresi. Metode KNN memprediksi kategori dengan memanfaatkan hubungan jarak antartetangga terdekat. Dalam analisis data, mengetahui jarak antartetangga terdekat dapat dihitung menggunakan dua metrik utama seperti jarak Manhattan dan jarak Euclidean. Studi kali ini akan mengembangkan metode KNN dalam mendeteksi jenis kismis Besni dan Kecimen. Setiap pelatihan dan pengujian menggunakan parameter k yang berbeda, yaitu 3, 5, 7, dan 9. Hasil penelitian diperoleh KNN pada metrik Euclidean menunjukkan nilai akurasi, presisi, sensitivitas, dan spesifisitas untuk setiap k hampir tidak memiliki perbedaan yang signifikan. Akurasi tertinggi sebesar 0,850 ketika k=7 dan k=9. Sedangkan KNN pada metrik Manhattan menunjukkan Akurasi tertinggi sebesar 0,867 ketika k=5 dan k=7. Algoritma KNN dengan metrik Manhattan dan metrik Euclidean, keduanya memberikan akurasi yang kuat dalam mengklasifikasikan data. Berdasarkan hasil uji kedua algoritma maka KNN pada metrik Manhattan lebih baik dibandingkan KNN pada metrik Euclidean.
Studi Tentang Algoritma C5.0 Dalam Memprediksi Kepatuhan Nasabah Dalam Membayar Pajak Pertambahan Nilai Aprihartha, Moch Anjas; Husniyadi, M.; Alam, Taufik Nur
FORMAT Vol 13, No 1 (2024)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/format.2024.v13.i1.001

Abstract

Data mining is the process of extracting valuable patterns, information, and knowledge from large data sets. Data mining has an important role in identifying and minimizing risks in various lives. One of the algorithms of data mining is the decision tree type C5.0. The C5.0 algorithm is an algorithm used to solve classification problems. The C5.0 method can be applied in various sectors such as the taxation sector. Paying taxes is an obligation by an individual or entity paid to the State. The value added tax is the highest contributory tax because it is collected several times to companies. Factors that affect customer compliance in paying value added tax are income, entity form, and reporting status. This study aims to predict public compliance in paying value added tax using the C5.0 method. This research aims to produce a classification model that can be a potential solution for dealing with prediction problems in customer compliance with paying taxes. The results of the study obtained an average accuracy of the C5.0 model of 66,5%. Based on this accuracy value, the model can be categorized as still weak in predicting the status of value added tax payments.
Co-Authors Husniyadi, M. Moch Anjas Aprihartha