Deskripsi Fisik

iv, 112 hal; 30 cm

Subyek

DATA MINING - K-NEAREST NEIGHBOUR ( KNN )

Kata Kunci

Anotasi

ABSTRAK PT. Charoen PokphandIndonesia Tbk (CPIN)merupakan salah satu perusahaan yang bergerak dalam bidang pakan ternak. Kontrol kualitas bahan pakan bertujuan untuk mengetahui kandungan nutrisi dan anti nutrisi yang terkandung di dalam bahan pakan, sehingga nilai nutrisi yang diharapkan dari pakan sebagai produk akhir diperoleh dengan tepat.Kontrol kualitas sebagai cara untuk mencegah penggunaan bahan pakan yang tidak sesuai spesifikasi (tidak diharapkan) dalam proses produksi pakan. Uji kimiawi yang dilakukan di laboratorium pengujian pakan sebagai kontrol kualitas bahan pakan/pakan. Memiliki tujuan yang lebih mendalam untuk mengetahui kandungan kadar air, protein kasar, lemak kasar, serat kasar, abu, energi metabolis, asam amino, vitamin, mineral. Permasalahan yang sering terjadi terdapat beberapa sample atau contoh yang tidak layak dapat lolos dari pengujian. Untuk meminimalisir hal tersebut tentunya dibutuhkan sebuah sistem yang dapat menentukan kelayakan bahan pakan untuk membantu quality control. Proses data mining seringkali menggunakan metode statistika, matematika, hingga memanfaatkan teknologi artificial intelligence. Dengan memanfaatkan data mining dari data bahan pakan berupa data nilai dari parameter pengujian dan lain – lain dapat dimanfaatkan untuk menggelompokkan kelompok kelas kelayakan pakan. Klasifikasi data mining adalah sebuah proses menemukan definisi kesamaan karakteristik dalam suatu kelompok atau kelas.Fuzzy K-Nearest Neighbor merupakan metode klasifikasi yang digunakan untuk memprediksi data uji menggunakan nilai derajat keanggotaan data uji pada setiap kelas. Peneliti memilihFuzzy K-NNdikarenakanmerupakan gabungandari dua metode yaitumetode Fuzzy dan metode K-Nearest Neighbor.Berdasarkan hasil pengujian yang telah dilakukan sebanyak 5 kali dengan nilai k yang berbeda didapatkan nilai k dengan akurasi tertinggi adalah nilai k sejumlah 5 dengan tingkat rata – rata akurasi sebesar 91%. Sedangkan untuk tingkat akurasi paling rendah terdapat pada nilai K sejumlah 9 dengan nila rata – rata prosentase yang dihasilkan adalah 73%. Pada perbandingan didapatkan nilai Fuzzy K-NN memiliki akurasi yang lebih tinggi dibandingkan K-nn dengan nilai rata – rata 85% sedangkan Rata –Rata akurasi yang dihasilkan oleh K-NN menghasilkan nilai akurasi sebesar 84%. Precision kelas layak dan tidak layak berkisar antara 0.772 dan 1 sedangkan untuk nilai recall dari kelas layak dan tidak layak berkisar antara 0.809 dan 1. Dengan kisaran nilai akurasi, precision dan recall yang cenderung tinggi dapat disimpulkan sistem dianggap baik dan mampu mengklasifikasikan data pakan untuk status layak dan tidak layak Katakunci: pakan ternak, data mining, klasifikasi, Fuzzy K-nn, precision, recall