Perbandingan Klasifikasi Naive bayes dan K-Nearest Neighbor Dalam Menentukan Area Baru Distribusi Majalah Gratis

  • Nurfiqih Nurfiqih Sekolah Tinggi Manajemen Informatika dan Komputer ERESHA
Keywords: distribusi, data mining, naive bayes, k-nearest neighbor

Abstract

  1. Media Komunitas Serpong merupakan salah satu perusahaan yang bergerak di bidang jasa periklanan, percetakan dan pendistribusian majalah gratis, perkembangan hunian yang semakin meningkat membuat PT. Media Komunitas Serpong terus berusaha untuk memperluas area distribusi untuk menjaring para pembaca, dalam menentukan layak atau tidaknya hunian di suatu wilayah perlu dilakukan langkah awal dengan melakukan survey terhadap hunian yang akan diambil keputusan layak atau tidak, saat ini keputusan dalam menentukan layak atau tidak memerlukan analisa serta diskusi panjang sehingga cara tersebut masih kurang efektif, Tepat sasaran dalam pendistribusian majalah merupakan salah satu faktor penting bagi PT. Media Komunitas Serpong untuk terus berkembang dalam memenuhi kebutuhan informasi di setiap wilayah area distribusi. Ketepatan pengiriman majalah ke tangan penerima yang tepat harus memiliki penentuan area secara tepat pula, PT. Media Komunitas Serpong membutuhkan informasi yang dapat memberikan hasil keputusan yang tepat efektif dan efisien terutama pemilihan area distribusi baru, Naive Bayes Classifier dan K-Nearest Neighbor adalah dua diantara metode klasifikasi pada data mining, dengan memilih metode yang lebih baik yang akan diambil yaitu dengan cara membandingkan serta dan mendapat hasil akurasi terbaik, akurasi terbaik dari salah satu metode tersebut yang akan di gunakan PT. Media Komunitas Serpong untuk menentukan keputusan area distribusi baru secara tepat efektif dan efisien.

References

Jananto, A. (2013). Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi Mahasiswa. Dinamik [On-line] Volume 18 Nomor 1.
Kumalasari, R. N. (2015). Sistem Pendukung Keputusan Penempatan Jurusan Mahasiswa Baru Menggunakan Metode K-Nearest Neighbor. Cogito Smart Journal [On-line], Volume 1 Nomor 1, Desember 2015 IJCCS : e-ISSN: 2477-8079 .
Mustakim, G. O. (2016). Algoritma K-Nearest Neighbor Classification Sebagai Sistem Prediksi Predikat Prestasi Mahasiswa. Jurnal Sains Teknologi dan Industri. [On-line], Volume 13 Nomor 2 , 195 - 202.
Panoto, A. (2015). Penerapan Algoritma K-Nearest Neighbors Untuk Prediksi Kelulusan Mahasiswa Pada STMIK Sinar Nusantara Surakarta. Jurnal TIKomSiN [On-line], ISSN : 2338-4018.
Prasetyo, E. (2013). Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta: CV. Andi Offset.
Prasetyo, E. (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: CV. Andi Offset.
Simanjuntak, T. H. (2017). Implementasi Modified K-Nearest Neighbor Dengan Otomatisasi Nilai K Pada Pengklasifikasian Penyakit Tanaman Kedelai. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol. 1, No. 2, 75-79.
Ricky Aurelius Nuranto Diaz. (2016). Pen-erapan Transformasi Kosinus Diskrit Dalam Klasifikasi Alat Musik Tradisional Menggunakan K-nearest Neighbor.Jurnal Sistem dan Informatika [On-line], Volume 10 Nomor 2.
Setiawan, T. A. (2015). Integrasi Metode Sample Bootstrapping dan Weighted Principal Component Analysis untuk Meningkatkan Performa K-Nearest Neighbor pada Dataset Besar. Journal of Intelligent Systems. [On-line], Volume 1 Nomor 2.
Kusrini, Emha T. L.(2009).Algoritma Data Mining,CV. Yogyakarta: Andi Offset.
Yusra, dkk. (2016). Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naive Bayes Classifier dan K-Nearest Neighbor. Jurnal Sains Teknologi dan Industri. [On-line], Volume 14 Nomor 1, pp. 79 – 85.
Published
2021-04-01
How to Cite
Nurfiqih, N. (2021). Perbandingan Klasifikasi Naive bayes dan K-Nearest Neighbor Dalam Menentukan Area Baru Distribusi Majalah Gratis. Jurnal Ilmiah Humanika, 4(1), 34-40. Retrieved from http://humanika.penapersada.com/index.php/humanika/article/view/82