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) 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:
[email protected];
[email protected];
[email protected] 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.
1
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.
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 :
II. URAIAN PENELITIAN 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 recordrecord 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) yang lembek, mengkilap, kuning, berat. Emas
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
2
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)
BlackboxTesting pengembang.
Keterangan:
Diketahui inputan emas dengan id training 2002 dengan kriteria sebagai berikut : - Berat Kering : 60 gram - Berat Volume : 3,737 gram³.
x1 = Data Sampel x2 = Data Uji / Training
i = Variabel Data d = Jarak
yang
dilakukan
dari
sisi
III. HASIL DAN PEMBAHASAN Pada halaman data sampel sistem penganalisa klasifikasi kadar emas yang terdapat daftar data sampel dan beberapa menu pendukung. 1.
Perhitungan dari Toko Emas
Menghitung berat bersih dan berat volume yang terdapat pada emas yang akan di tentukan kadarnya dengan menggunakan rumus : Berat kering
p = Dimensi Data B. 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.
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
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
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.
3
2.
Tabel 4 : Perhitungan Nilai Jarak
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
3.
Selanjutnya, data diurutkan berdasarkan jarak terkecil seperti pada Tabel 5. Tabel 5 : Mengurutkan Nilai Jarak
Menghitung jarak :
4
5
4.
Apabila ditetapkan nilai K= 7, maka diambil 7 jarak terpendek.
Tabel 8 : Hasil Klasifikasi Kadar Emas
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 - Kadar Campuran - Persentasi Penandaan - Berat Jenis - Berat Volume
: : : : :
82,5% 17,5% 825 60 gram 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 :
6
7
ID Training
Kadar Emas (Perhitungan Toko)
Kadar Emas (Metode KNN)
2013
20
20
2014
20
20
2015
22
22
2016
22
22
2017
24
24
2018
24
24
2019
18
18
2020
18
18
2021
20
20
2022
18
18
2023
23
23
2024
23
23
2025
24
24
2026
24
24
2027
19
19
1028
21
21
2029
21
21
2030
23
23
2031
24
24
2032
24
24
2033
23
23
2034
20
20
Validasi
2035
18
18
Sama Sama
2036
21
21
2037
22
22
2038
22
22
2039
21
21
2040
21
21
2041
24
24
2042
18
18
2043
18
18
2044
23
23
2045
21
21
2046
24
24
2047
24
24
2048
23
23
Berdasarkan tabel 8, maka dapat diperoleh hasil lengkap seperti di dalam tabel berikut:
Validasi Sama
Tabel 9 : Hasil Klasifikasi
Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama
IV Validasi Data
Sama
Adapun hasil penentuan kesamaan data antara perhitungan kadar emas secara munual dan secara penalaran metode K-Nearest Neighbor dapat dilihat pada tabel berikut :
Sama Sama Sama
Tabel 10 : Validasi Perhitungan Toko dan KNN ID Training
Kadar Emas (Perhitungan Toko)
Kadar Emas (Metode KNN)
2001
18
18
2002
20
20
2003
18
18
2004
24
24
2005
19
19
2006
21
21
2007
22
22
2008
22
22
2009
18
18
2010
23
23
Sama Sama Sama Sama Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama 2011
22
22
2012
18
18
Sama
Sama
Sama
8
ID Training
Kadar Emas (Perhitungan Toko)
Kadar Emas (Metode KNN)
2049
23
23
2050
18
18
Validasi
ID Training
Kadar Emas (Perhitungan Toko)
Kadar Emas (Metode KNN)
Validasi
2084
22
23
Tidak Sama Sama
2085
23
23
2086
24
24
2087
18
18
2088
18
18
2089
19
19
2090
19
19
2091
19
19
2092
18
18
2093
22
23
2094
24
24
2095
24
24
2096
19
19
2097
18
18
2098
18
18
2099
18
18
Sama Sama
Sama
Sama 2051
24
24
2052
19
19
2053
24
23
2054
24
24
2055
18
18
2056
19
19
2057
19
19
2058
22
22
2059
24
24
Sama
Sama Tidak Sama Sama
Sama Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama Sama
Sama
Sama 2060
23
23
2061
23
23
2062
23
23
2063
23
23
2064
23
23
2065
23
23
Tidak Sama Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama
Sama Sama Tidak Sama 2066
19
18 Tidak Sama
2067
19
18
2068
18
18
2069
18
18
2070
24
24
2071
23
23
2072
23
23
2073
24
24
2074
23
24
2075
23
23
2076
24
24
2077
24
24
2078
19
18
2079
21
21
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
Sama Sama Sama Sama Sama Sama
Maka, perhitungan persentase kesamaan data untuk nilai K = 7 sebagai berikut.
Tidak Sama Sama Sama Sama Tidak Sama Sama Sama
2080
21
21
2081
21
21
2082
19
19
2083
21
21
Dari keseluruhan nilai untuk setiap pembobot, maka dapat dilihat pada tabel 5.9 bahwa sistem menghasilkan persentase kesamaan sebagai berikut.
Sama Sama Sama
9
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 KNearest 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.
10
