Klasifikasi Batubara Berdasarkan Jenis Kalori dengan Menggunakan Perbandingan Jarak Euclid, Jarak Manhattan, dan Jarak Minkowski pada Algoritma Modified K-Nearest Neighbor (Studi Kasus: PT. XYZ Samarinda)

Abstract

Metode Modified K- Nearest Neighbor (MK-NN) merupakan perbaikan dari metode K-NN yang dapat mengatasi permasalahan outlier. Perhitungan nilai akurasi pada MK-NN dengan menambahkan perhitungan nilai fungsi validitas dan weight voting digunakan untuk meningkatkan nilai akurasi rendah pada K-NN.  Penelitian ini membandingkan tiga jarak yang sering digunakan dalam K-NN, yaitu Euclid, Manhattan dan Minkowski. 

Penelitian ini bertujuan untuk mengetahui hasil pengklasifikasian batubara berdasarkan jenis kalori dan tingkat akurasi jarak terbaik dari klasifikasi pada metode MK-NN. Data yang digunakan adalah data batubara PT. XYZ Tahun 2017 dengan menggunakan 7 variabel bebas yaitu Total Moisture (TM), Moisture (M), Ash, Volatile Matter (VM), Fixed Carboni (FC), Total Shulpur (TS) dan Gross Calorific Value (GCV). Hasil penelitian menunjukkan bahwa dari ketiga jarak yang dibandingkan jarak Manhattan memiliki tingkat akurasi yang paling baik yaitu sebesar 100%, sedangkan jarak Euclid sebesar 92% dan jarak Minkowski sebesar 52%, hasil akurasi terbaik pada MK-NN tersebut diperoleh ketika  bernilai 1 pada proporsi 80%:20%.