<![CDATA[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%.]]>
Copyrights © 2025
