%A PUSPA TRIA CITRA 
%T PENERAPAN ALGORITMA K-NEAREST NEIGHBOR PADA DATA
KATEGORIK DENGAN PERHITUNGAN JARAK MENGGUNAKAN 
WEIGHTED SIMPLE MATCHING COEFFICIENT
%X K-Nearest Neighbor merupakan salah satu algoritma klasifikasi yang
mengklasifikasikan objek berdasarkan kelas mayoritas dari k objek terdekat di
sekitarnya.  Pada umumnya, ukuran kedekatan antar objek dihitung dengan
menggunakan jarak Euclidean.  Akan tetapi, jarak Euclidean dirasa kurang tepat
digunakan apabila data yang digunakan adalah data kategorik. Salah satu alternatif
dalam mengatasi permasalahan tersebut adalah dengan menggunakan metode
weighted simple matching coefficient (WSMC) sebagai ukuran kedekatan antar objek. 
Penelitian ini dilakukan untuk membangun model klasifikasi untuk penentuan kelas
rentang harga laptop berdasarkan 4 fitur yang ditawarkan, yaitu merek laptop,
prosesor, kapasitas RAM, dan kapasitas penyimpanan.  Model klasifikasi dibangun
berdasarkan dua proporsi pembagian data latih dan data uji, yaitu 80:20 dan 90:10. 
Berdasarkan hasil analisis, diperoleh model klasifikasi terbaik, yaitu model dengan
proporsi 90% data latih dan 10% data uji, dengan nilai akurasi sebesar 86.96%, recall
sebesar 50%, presisi sebesar 66.67%, dan f1-score sebesar 57.14%.

Kata Kunci:  Klasifikasi, K-Nearest Neighbor (KNN), Weighted Simple Matching Coefficient (WSMC) 






abstract

K-Nearest Neighbor is one of classification algorithm that classifies objects based on
the majority class of k-nearest objects.  Commonly, the measure of proximity
between objects is calculated using Euclidean distances.  However, if the data being
used is categorical, Euclidean distances are seen as improper to apply.  The weighted
simple matching coefficient (WSMC) method, which calculates how close two
objects are to one another, is one solution to this issue.  This research was conducted
to build a classification model for categorizing laptop pricing ranges based on 4
features offered, namely laptop brand, processor, RAM capacity, and storage
capacity.  The classification model is built on two proportion of training data and
testing data, which is 80:20 and 90:10.  Based on the analysis?s results, the model
with a 90:10 data ratio was found to be the best classification model, with accuracy
values of 86.96%, recall of 50%, precision of 66.67%, and f1-score of 57.14%.

Keywords:  Classification, K-Nearest Neighbor (KNN), Weighted Simple Matching Coefficient (WSMC)
%D 2023
%C UNIVERSITAS LAMPUNG
%R 1917031074
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM  
%L eprints70985