PENERAPAN METODE K-NEAREST NEIGHBOR UNTUK KLASIFIKASI STRUKTUR SEL E. COLI BERDASARKAN DATASET UCI

Setiawan, M. Gde Ary (2025) PENERAPAN METODE K-NEAREST NEIGHBOR UNTUK KLASIFIKASI STRUKTUR SEL E. COLI BERDASARKAN DATASET UCI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (286kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (669kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (487kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (80kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (146kB)
	Archive (SOURCE CODE) Sourcecode - 21.12.1859.zip - Published Version Restricted to Repository staff only Download (390kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (664kB)

Abstract

Penelitian ini membahas penerapan metode K-Nearest Neighbor (K-NN) untuk melakukan klasifikasi terhadap struktur sel bakteri Escherichia coli (E. coli) berdasarkan dataset yang diperoleh dari University of California, Irvine (UCI) Machine Learning Repository. Tujuan utama dari penelitian ini adalah untuk mengidentifikasi dan mengklasifikasikan jenis struktur sel E. coli berdasarkan sejumlah atribut biologis yang telah tersedia dalam dataset. Metode K-NN dipilih karena kesederhanaannya dalam implementasi serta kemampuannya memberikan hasil klasifikasi yang cukup baik pada data dengan karakteristik yang tidak linier. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan data (normalisasi dan pembagian data), penerapan algoritma K-NN dengan variasi nilai k, serta evaluasi kinerja model menggunakan metrik akurasi, presisi, recall, dan F1-score. Berdasarkan hasil pengujian, metode K-NN menunjukkan tingkat akurasi yang cukup tinggi dalam mengklasifikasikan struktur sel E. coli, dengan nilai akurasi terbaik diperoleh pada k tertentu yang menghasilkan keseimbangan optimal antara bias dan variansi. Hasil penelitian ini menunjukkan bahwa metode K-NN dapat digunakan secara efektif dalam menganalisis dan mengklasifikasikan data biologis, khususnya dalam konteks struktur sel E. coli. Temuan ini diharapkan dapat menjadi acuan dalam pengembangan sistem klasifikasi berbasis machine learning di bidang biologi mikroorganisme.

Actions (login required)

View Item