PENERAPAN DATA MINING UNTUK PREDIKSI PENGGUNA INTERNET BERBASIS MEDIA SOSIAL MENGGUNAKAN METODE K-NEAREST NEOGHBOR

• MUHAMMAD ALIF ADASA
• 2023

---

Penelitian ini bertujuan untuk menerapkan teknik data mining menggunakan metode K Nearest Neighbor (KNN) dalam memprediksi pengguna internet berbasis media sosial. Penggunaan media sosial telah menjadi fenomena yang signifikan dalam kehidupan sehari-hari. Metode K-Nearest Neighbor (KNN) dipilih sebagai metode prediksi yang digunakan dalam penelitian ini. Metode K-Nearest Neighbor (KNN) adalah metode klasifikasi yang berbasis pada jarak antara data yang diketahui dan data yang akan diprediksi. Data yang diperoleh untuk penelitian ini diambil dari sumber data Kaggle yang relevan dengan pengguna internet berbasis media sosial. Proses penelitian terdiri dari beberapa tahapan, termasuk pengumpulan dan preprocessing data, pembagian data menjadi data training dan data testing, penerapan metode Metode K-Nearest Neighbor (KNN) untuk prediksi, dan evaluasi hasil prediksi. Metrik evaluasi seperti akurasi, presisi, recall, dan F1 score digunakan untuk mengukur kinerja model prediksi. Hasil penelitian menunjukkan bahwa penerapan metode K-Nearest Neighbor (KNN) mampu memberikan prediksi yang cukup akurat terkait pengguna internet berbasis media sosial yaitu senilai 72,73%. Dengan menggunakan dataset yang relevan dan teknik analisis yang tepat, hasil data yang dihasilkan dengan menggunakan Metode K-Nearest Neighbor (KNN) menunjukkan bahwa sekitar 72,73% dari orang menggunakan aplikasi Instagram.

• Data Mining

Andri, D., & Reza, M. (2022). Penerapan Algoritma K-Nearest Neighbord Untuk Prediksi Kematian Akibat Penyakit Gagal Jantung. III(2020), 105–112.
 
Andriana, H., Hilab, S. S., & ... (2023). Penerapan Metode K-Nearest Neighbor pada Sentimen Analisis Pengguna Twitter terhadap KTT G20 di Indonesia. JURIKOM (Jurnal …, 10(1), 60–67. https://doi.org/10.30865/jurikom.v10i1.5427 

Ani, H., Nofriansyah, D., & Mariami, I. (2021). Implementasi Data Mining Untuk Pengelempokan Buku Di Perpustakaan Yayasan Nurul Islam Indonesia Baru Dengan Metode K-Means Clustering. Jurnal Cyber Tech, 1(1), 1–12. https://ojs.trigunadharma.ac.id/index.php/jct/article/view/315 

N., Euclidean, M., & Pada, D. (2020). RANCANG BANGUN APLIKASI DATA MINING PREDIKSI KELULUSAN UJIAN NASIONAL MENGGUNAKAN ALGORITMA ( KNN ) K-NEAREST karakteristik Data Mining yaitu : mining berhubungan dengan. 65–73. Data Data 

Dewi, S. P., Nurwati, N., & Rahayu, E. (2022). Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor. Building of Informatics, Technology and https://doi.org/10.47065/bits.v3i4.1408 Science (BITS), 
 
Gunawan, R., Aulia, S., Supeno, H., Wijanarko, A., Pierre, J., & Mahayana, D. (2020). ADIKSI MEDIA SOSIAL DAN GADGET BAGI PENGGUNA INTERNET DI INDONESIA. 14(1), 1–14. 

Heliyanti Susana. (2022). PENERAPAN MODEL KLASIFIKASI METODE NAIVE BAYES TERHADAP PENGGUNAAN AKSES INTERNET. Jurnal Riset Sistem Informasi Dan Teknologi Informasi https://doi.org/10.52005/jursistekni.v4i1.96 

Helmi, S. (2021). Analisis data (Issue January 2014). (JURSISTEKNI), 

Hendriyanto, M. D., Ridha, A. A., & Enri, U. (2022). Analisis Sentimen Ulasan Aplikasi Mola Pada Google Play Store Menggunakan Algoritma Support Vector Machine. INTECOMS: Journal of Information Technology and Computer Science, 5(1), 1–7. https://doi.org/10.31539/intecoms.v5i1.3708 

Hidayanti, W. P. (2020). Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Efektivitas Penjualan Vape ( Rokok El ektrik ) pada “ Lombok Vape On ” Pendahuluan dihasilkan tidak stabil dan tidak mampu diprediksi Dari penelitian yang dilakukan , berusaha untuk mengklasifikasik. 3(2). 

Identifikasi, B. (2019). p-ISSN : 2579-5201 ( Print ) PERANCANGAN DAN IMPLEMENTASI ALGORITMA C4 . 5 UNTUK DATA MINING p-ISSN : 25795201 ( Print ). 3(1), 29–44. 

Kafil, M. (2019). Penerapan Metode K-Nearest Neighbors. In Jurnal Mahasiswa Teknik Informatika (JATI) (Vol. 3, Issue 2). 

Komunikasi, J., Informatika, M., & Timur, J. (2019). Jurnal Komunika. 8(2). https://doi.org/10.31504/komunika.v8i2.2487 

Miftahuddin, Y., Umaroh, S., & Karim, F. R. (2020). Perbandingan Metode Perhitungan Jarak Euclidean, Haversine, Dan Manhattan Dalam Penentuan Posisi Karyawan. Jurnal Tekno Insentif, 14(2), 69–77. https://doi.org/10.36787/jti.v14i2.270 

Ramadhani, T. S., Suryadi, S., & Irmayani, D. (2019). Sistem Informasi Stok Gudang Pada Platinum Hotel Berbasis Web. Jurnal Informatika, 6(2), 35–40. https://doi.org/10.36987/informatika.v6i2.745 

Sudarsono, B. G., Leo, M. I., Santoso, A., & Hendrawan, F. (2021). Analisis Data Mining Data Netflix Menggunakan Aplikasi Rapid Miner. JBASE - Journal of Business and Audit Information https://doi.org/10.30813/jbase.v4i1.2729 Systems, 

Sukendra, I. K., & Atmaja, I. K. S. (2020). Instrumen Penelitian. In Journal Academia. 

Surbakti, N. K. (2021). Data Mining Pengelompokan Pasien Rawat Inap Peserta BPJS Menggunakan Metode Clustering (Studi Kasus : RSU.Bangkatan). Journal of Information and Technology, 1(2), 47–53. https://doi.org/10.32938/jitu.v1i2.1470 

Yaumagina, N., Elektro, F. T., Telkom, U., Elektro, F. T., Telkom, U., Alia, F., Elektro, F. T., Telkom, U., Neighbors, K., Operation, M., Darah, P., Digital, C., & Vector, S. M. (2022). Klasifikasi Kanker Serviks Melalui Pengolahan Citra Pola Pembuluh Darah Dengan Metode Matched Filter Dan Morphology Operation. 8(6), 3207

Yolanda, I., & Fahmi, H. (2021). Penerapan Data Mining Untuk Prediksi Penjualan Produk Roti Terlaris Pada PT . Nippon Indosari Corpindo Tbk Menggunakan Metode K-Nearest Neighbor. 3(3), 9–15.