Edi Permadi Budiyono, Nerfita Nikentari, ST., M.Cs dan Sulfikar Sallu, S.Kom., M.kom Jurusan Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji (UMRAH)
Jl. Politeknik Senggarang, Tanjungpinang 29115 E-mail: edii.permadi27@gmail.com; private.niken@gmail.com; ss354info@gmail.com
ABSTRAK
Sistem analisa klasifikasi kadar emas yang dilakukan oleh pihak Toko Emas Batam City diterapkan secara manual dengan menggunakan perhitungan dari kalkulator dan tabel. Diperlukan waktu tambahan untuk mengoptimalkan kadar emas tersebut. Aplikasi dekstop yang dipadukan dengan metode k nearest neighbours dikira mampu membantu menangani permasalahan tersebut baik dari sisi perekaman data maupun dalam hal analisa kadar emas tersebut. Metode k nearest neighbours merupakan suatu teknik klasifikasi yang mana mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan. Kriteria yang digunakan dalam kadar emas ini adalah kandungan emas asli, kandungan campuran, persentase penandaan, berat emas, berat volume emas. Sebanyak 120 data sampel dan 99 data training yang dianalisis, diperoleh perbandingan kesamaan hasil klasifikasi kadar emas antara perhitungan metode k nearest neighbours dan perhitungan dari toko emas diperoleh nilai tertinggi yaitu dimana pada saat pembobot bernilai K = 7 dengan tingkat Kesamaan persentase keberhasilan sebesar 92,93 %.
Kata kunci : kadar emas, K-Nearest Neighbor (KNN), kriteria, pengelompokan.
ABSTRACT
Classification systems of the gold content analysis conducted by the Gold Shop Batam City applied manually by using calculations from the calculator and tables. Additional time is needed to optimize the gold content. Desktop applications, combined with the method of k nearest neighbors thought to be able to help address these problems both in terms of data recording and analysis in terms of the gold content. K nearest neighbors method is a classification technique in which look for the shortest distance between the data to be evaluated with K neighbors ( neighbor ) in the closest training data. Criteria used in the gold content is original gold content, the content mix, percentage labeling, gold weight, volume weight of gold. A total of 120 sample data and 99 training data are analyzed, the comparison of the similarities between the gold content of the classification results of the calculation method and calculation of k nearest neighbors of a gold shop where the highest values obtained when the weighting value K = 7 with a success percentage similarity rate of 92.93% .
Keywords: gold content, the method of K-Nearest Neighbor (KNN), criteria, grouping.
ANALISA KLASIFIKASI KADAR KARAT EMAS
MENGGUNAKAN METODE K-NEAREST NEIGHBOURS (
KNN)
Study Kasus : Toko Emas Batam City
(Analysis Classification Levels Gold Rust Using Method K-Nearest Neighbours (KNN)
Case Study: Gold Shop Batam City)
I. PENDAHULUAN
Toko emas merupakan perusahaan yang bergerak dalam bidang jual beli perhiasan emas yang memiliki karakteristik bisnis yang spesifik. Kegiatan bisnis yang ada antara lain pembelian emas dari supplier maupun pelanggan, penyimpanan emas, baik berupa emas batangan maupun emas berdisain, penjualan emas, dan perhitungan kadar karat emas.
Sistem analisa kadar emas yang dilakukan oleh pihak toko masih diterapkan secara manual atau analisa dilakukan masih menggunakan perhitungan rumusan. Akibatnya, waktu akan lebih banyak terbuang dan dari segi hasil perhitungan juga belum tentu akurat. Maka, tentu diperlukan waktu tambahan guna mengoptimalkan data-data status kadar emas tersebut.
Aplikasi desktop ini merupakan solusi yang dirasa mampu membantu menangani permasalahan tersebut. Ditambah lagi dengan perhitungan dengan metode K Nearest Neighbours (KNN) dirasa sangat mampu membantu menangani permasalahan tersebut baik dari sisi perekaman data maupun dalam hal analisa kadar emas dan diharapkan aplikasi yang dibangun dapat bekerja lebih baik dengan menggunakan analisa perhitungan nilai-nilai kriterianya.
II. URAIANPENELITIAN
A. Landasan Teori 1. Klasifikas
Klasifikasi merupakan suatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telah didefinisikan. Teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlah aturan. Aturanaturan tersebut digunakan pada data-data baru untuk diklasifikasi. Teknik ini menggunakan supervised induction, yang memanfaatkan kumpulan pengujian dari record yang terklasifikasi untuk menentukan kelas-kelas tambahan (Kusnawi, 2007).
Tujuan dari klasifikasi ini adalah record-record yang sebelumnya belum termasuk dalam kategori dapat dinyatakan kelasnya secara akurat
2. Emas
Emas merupakan barang tambang yang memilki unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Sebuah logam transisi (trivalen dan univalen)
melebur dalam bentuk cair pada suhu sekitar 1000 derajat celcius (Chalimah, 2012).
Mengenal emas, kita terlebih dahulu mengenal istilah "kadar" dalam emas. Kadar merupakan tingkat keaslian emas, atau jumlah kandungan kemurnian emas. Kadar emas dinyatakan dalam karat.
Menurut SNI (Standart Nasional Indonesia) - No : SNI 13-3487-2005 standard karat emas sebagai berikut : - 24 K = 99,00 - 99,99% - 23 K = 94,80 - 98,89% - 22 K = 90,60 - 94,79% - 21 K = 86,50 - 90,59% - 20 K = 82,30 - 86,49% - 19 K = 78,20 - 82,29% - 18 K = 75,40 - 78,19%
Perhitungan kadar emas yang dilakukan di toko emas tersebut yaitu dengan menggunakan rumus :
3. Metode KNN
Metode yang digunakan dalam pengklasifikasian adalah metode KNN. Prinsip kerja K-Nearest Neighbor (KNN) adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan. Tujuan algoritma KNN adalah mengklasifikasikan obyek baru berdasarkan atribut dan training sample. Clasifier tidak menggunakan model apapun untuk dicocokkan dan hanya berdasarkan pada memori. Diberikan titik query, akan ditemukan sejumlah k obyek atau (titik training) yang paling dekat dengan titik query. Klasifikasi menggunakan voting terbanyak diantara klasifikasi dari k obyek. Algoritma KNN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari query instance yang baru. Algoritma metode KNN sangatlah sederhana, bekerja berdasarkan jarak terpendek dari query instance ke training sample untuk menentukan KNN-nya ((Laina, 2013)
Nilai k yang terbaik untuk algoritma ini tergantung pada data. Secara umum, nilai k yang
tinggi akan mengurangi efek pada klsifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi semakin kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter. Kasus khusus dimana klasifikasi diprekdisikan berdasarkan training data yang paling dekat (dengan kata lain, k=1) disebut algoritma Nearest Neighbor.
Rumus perhitungan dengan metode KNN (Ninki, 2009)
Keterangan: 1
x
= Data Sampel2
x
= Data Uji / Trainingi
= Variabel Datad
= Jarakp
= Dimensi DataB. Metode Penelitian
Pengumpulan data-data yang dibutuhkan dilakukan dengan cara melakukan observasi. Hal ini dilakukan di Toko Emas Batam secara langsung. Dalam hal ini diperlukan sebuah laptop dan alat tulis untuk merekap data dan memudahkan dalam pengambilan data.
C. Metode Pengembangan Sistem 1. Analisa Kebutuhan
Tahapan ini untuk mencari kebutuhan akan sistem yang akan dibangun, sehingga sistem dibuat sesuai dengan kebutuhan dari analisa data.
2.Perancangan Sistem
Tahap perancangan sistem membagi proses dalam merancang kebutuhan yang akan diperlukan ke dalam perangkat keras dan perangkat lunak. Perancangan sistem dibangun untuk menetapkan arsitektur sistem, menentukan spesifikasi secara lengkap dari komponen-komponen sistem serta informasi yang sesuai dengan hasil tahap analisis. Menggunakan DFD sebagai tool untuk perekayasaan alur sistem.
3.Pengujian
Tahapan ini dilakukan dengan mengintegrasikan unit program dan diuji sebagai satu sistem untuk memastikan bahwa seluruh kebutuhan perangkat lunak telah terpenuhi. Pengujian yang dilakukan dalam penelitian ini adalah pengujian
BlackboxTesting yang dilakukan dari sisi pengembang.
III. HASILDANPEMBAHASAN
Pada halaman data sampel sistem penganalisa klasifikasi kadar emas yang terdapat daftar data sampel dan beberapa menu pendukung.
1. Perhitungan dari Toko Emas
Diketahui inputan emas dengan id training 2002 dengan kriteria sebagai berikut :
- Berat Kering : 60 gram - Berat Volume : 3,737 gram³.
Menghitung berat bersih dan berat volume yang terdapat pada emas yang akan di tentukan kadarnya dengan menggunakan rumus :
Hasil dari pembagian antara berat jenis dengan berat volume yaitu 16,055. Liatlah tabel berat jenis dari perhitungan emas, cari terletak di posisi manakah nilai 16,055 tadi. Lebih jelas liat lah tabel dari kadar emas :
Tabel 1 : Kecocokan Berat jenis
Tabel menjelaskan bahwa hasil dari perhitungan berat jenis 60 dan berat volume 3,737 yaitu 16,055. Tabel 1, yang nilai 16,055 diarsir terdapat emas bersihnya yaitu 82,5 % jika diliat standar emas yang telah di tetapkan pemerintah 82,5% memiliki kadar emas yaitu 20 Karat.
2. Perhitungan Metode KNN
Diketahui inputan emas dengan id training 2002 dengan kriteria sebagai berikut :
- Kadar Emas : 82,5% - Kadar Campuran : 17,5% - Persentasi Penandaan : 825 - Berat Jenis : 60 gram - Berat Volume : 3,737 gram³. Berdasarkan algoritma KNN, dapat dilakukan perhitungan sebagai berikut :
1. Tentukan nilai K, missal K = 7.
2. Hitung jarak setiap training data dengan data sampel.
Tabel 2 : Data Training
Tabel 3 : Data Sampel
Menghitung jarak :
Tabel 4 : Perhitungan Nilai Jarak
3. Selanjutnya, data diurutkan berdasarkan jarak terkecil seperti pada Tabel 5.
4. Apabila ditetapkan nilai K= 7, maka diambil 7 jarak terpendek.
Tabel 6 : Memilih alternatif terbanyak
5. Hasil Klasifikasi
Tabel 7 tersedia 2 kadar emas yaitu 18 karat dan 19 karat. Dari kedua pilihan kadar mas tersebut data yang paling banyak yaitu emas dengan 19 karat yaitu sebanyak 4 sempel, 18 karat yaitu sebanyak 3 sampel.
Tabel 7 : Menentukan Hasil Klasifikasi
Jadi didapatkan klasifikasi emas yang mempunyai kriteria dengan :
- Kadar Emas : 82,5% - Kadar Campuran : 17,5% - Persentasi Penandaan : 825 - Berat Jenis : 60 gram - Berat Volume : 3,737 gram yaitu 20 Karat dengan memiliki 5 data sampel dengan jarak terdekat.
Adapun hasil perhitungan klasifikasi kadar emas di data training lainnya adalah sebagai berikut :
Berdasarkan tabel 8, maka dapat diperoleh hasil lengkap seperti di dalam tabel berikut:
Tabel 9 : Hasil Klasifikasi
IV Validasi Data
Adapun hasil penentuan kesamaan data antara perhitungan kadar emas secara munual dan secara penalaran metode K-Nearest Neighbor dapat dilihat pada tabel berikut :
Tabel 10 : Validasi Perhitungan Toko dan KNN
ID Training Kadar Emas (Perhitungan Toko) Kadar Emas (Metode KNN) Validasi 2001 18 18 Sama 2002 20 20 Sama 2003 18 18 Sama 2004 24 24 Sama 2005 19 19 Sama 2006 21 21 Sama 2007 22 22 Sama 2008 22 22 Sama 2009 18 18 Sama 2010 23 23 Sama 2011 22 22 Sama 2012 18 18 Sama ID Training Kadar Emas (Perhitungan Toko) Kadar Emas (Metode KNN) Validasi 2013 20 20 Sama 2014 20 20 Sama 2015 22 22 Sama 2016 22 22 Sama 2017 24 24 Sama 2018 24 24 Sama 2019 18 18 Sama 2020 18 18 Sama 2021 20 20 Sama 2022 18 18 Sama 2023 23 23 Sama 2024 23 23 Sama 2025 24 24 Sama 2026 24 24 Sama 2027 19 19 Sama 1028 21 21 Sama 2029 21 21 Sama 2030 23 23 Sama 2031 24 24 Sama 2032 24 24 Sama 2033 23 23 Sama 2034 20 20 Sama 2035 18 18 Sama 2036 21 21 Sama 2037 22 22 Sama 2038 22 22 Sama 2039 21 21 Sama 2040 21 21 Sama 2041 24 24 Sama 2042 18 18 Sama 2043 18 18 Sama 2044 23 23 Sama 2045 21 21 Sama 2046 24 24 Sama 2047 24 24 Sama Sama
ID Training Kadar Emas (Perhitungan Toko) Kadar Emas (Metode KNN) Validasi 2049 23 23 Sama 2050 18 18 Sama 2051 24 24 Sama 2052 19 19 Sama 2053 24 23 Tidak Sama 2054 24 24 Sama 2055 18 18 Sama 2056 19 19 Sama 2057 19 19 Sama 2058 22 22 Sama 2059 24 24 Sama 2060 23 23 Sama 2061 23 23 Sama 2062 23 23 Sama 2063 23 23 Sama 2064 23 23 Sama 2065 23 23 Sama 2066 19 18 Tidak Sama 2067 19 18 Tidak Sama 2068 18 18 Sama 2069 18 18 Sama 2070 24 24 Sama 2071 23 23 Sama 2072 23 23 Sama 2073 24 24 Sama 2074 23 24 Tidak Sama 2075 23 23 Sama 2076 24 24 Sama 2077 24 24 Sama 2078 19 18 Tidak Sama 2079 21 21 Sama 2080 21 21 Sama 2081 21 21 Sama 2082 19 19 Sama 2083 21 21 Sama ID Training Kadar Emas (Perhitungan Toko) Kadar Emas (Metode KNN) Validasi 2084 22 23 Tidak Sama 2085 23 23 Sama 2086 24 24 Sama 2087 18 18 Sama 2088 18 18 Sama 2089 19 19 Sama 2090 19 19 Sama 2091 19 19 Sama 2092 18 18 Sama 2093 22 23 Tidak Sama 2094 24 24 Sama 2095 24 24 Sama 2096 19 19 Sama 2097 18 18 Sama 2098 18 18 Sama 2099 18 18 Sama Keteranan :
Sama = Terjadi apabila hasil perhitungan KNN sama dengan perhitungan manual
Tidak Sama = Terjadi apabila hasil perhitungan KNN berbeda dangan hasil perhitungan manual Tidak Sama
Maka, perhitungan persentase kesamaan data untuk nilai K = 7 sebagai berikut.
Dari keseluruhan nilai untuk setiap pembobot, maka dapat dilihat pada tabel 5.9 bahwa sistem menghasilkan persentase kesamaan sebagai berikut.
Tabel 11 : Persentase Persamaan Nilai K
No Niai K Persentase Kesamaan (%)
1 2 66,66 2 3 91,92 3 4 72,72 4 5 87,87 5 6 71,71 6 7 92,93 7 8 67,68 8 9 79,8
Dari tabel 11, dapat disimpulkan bahwa persentase Kesamaan hasil klasifikasi antara perhitungan menurut perhitungan manual yang dilakukan di toko emas dan perhitungan dengan metode K-Nearest Neighbor (KNN) yang tertinggi yaitu pada saat pembobot bernilai K = 7 dengan tingkat Kesamaan persentase keberhasilan sebesar 92,93%.
IV. KESIMPULAN
Dari 120 sampel data yang dianalisis dan 99 data training, diperoleh perbandingan kesamaan hasil klasifikasi kadar emas antara perhitungan metode metode K-Nearest Neighbor (KNN) dan perhitungan menurut dari toko emes yang tertinggi yaitu dimana pada saat pembobot bernilai K = 7 dengan tingkat Kesamaan persentase keberhasilan sebesar 92,93%.
DAFTAR PUSTAKA
Chalimah Siti (2012), Tugas Makalah Kimia Non Pangan Bahan Tambang Emas. Temanggung. Hermaduanti Ninki dan Sri Kusumadewi (2009). Sistem Pendukung Keputusan Berbasis SMS untuk Menentukan Status Gizi Menggunakan Metode K-Nearest Neighbour. Yogyakarta. Kusnawi (2007). PENGANTAR SOLUSI DATA
MINING. Yogyakarta
Laina Farsiah, Taufik Faudi Abidin, Khairul Munadi (2013). Klasifikasi Gambar Berwarna Menggunakan Metode K-NN dan support Vector Machine. Banda Aceh.
