Microsoft Word - 4680-Article Text-12443-2-2-20200227.docx


IT Journal Research and Development (ITJRD) 
Vol.5, No.1, Agustus 2020, pp.11 – 18, E-ISSN : 2528-4053 | P-ISSN : 2528-4061 
DOI : 10.25299/itjrd.2020.vol5(1).4680                    11 

  

Journal homepage: http:/journal.uir.ac.id/index.php/ITJRD 

Peningkatan Akurasi K-Nearest Neighbor Pada Data 
Index Standar Pencemaran Udara Kota Pekanbaru 

 
 

Yuliska1, Khairul Umam Syaliman2 
Teknik Informatika, Politeknik Caltex Riau, Pekanbaru, Riau, Indonesia 1,2 

yuliska@pcr.ac.id1, khairul@pcr.ac.id2 
 

Article Info  Abstrak 

History : 

Dikirim 27 Februari 2020  
Direvisi 28 April 2020  
Diterima 14 Juli 2020  
 

 kNN adalah salah satu metode yang popular karena mudah 
dieksploitasi, generalisasi yang biak, mudah dimengerti, kemampuan 
beradaptasi ke ruang fitur yang rumit, intuitif, atraktif, efektif, 
flexibility, mudah diterapkan, sederhana dan memiliki hasil akurasi 
yang cukup baik. Namun kNN memiliki beberapa kelemahan, 
diantaranya memberikan bobot yang sama pada setiap attribut 
sehingga attribut yang tidak relevant juga memberikan dampak yang 
sama dengan attribut yang relevant terhadap kemiripan antar data. 
Masalah lain dari kNN adalah pemilihan tetangga terdekat dengan 
system suara terbanyak, dimana system ini mengabaikan kemiripan 
setiap tetangga terdekat dan kemungkinan munculnya mayoritas 
ganda serta kemungkinan terpilihnya outlier sebagai tetangga 
terdekat. Masalah-masalah tersebut tentu saja dapat menimbulkan 
kesalahan klasifikasi yang mengakibatkan rendahnya akurasi. Pada 
penelitian kali ini akan dilakukan peningkatan akurasi dari kNN 
tersebut dalam melakukan klasifikasi terhadap data Index Standar 
Pencemaran Udara di Pekanbaru dengan menggunakan pembobotan 
attribut (Attibute Weighting) dan local mean. Adapun hasil dari 
penelitian ini didapati bahwa metode yang diusulkan mampu untuk 
meningkatkan akurasi sebesar 2.42% dengan rata-rata tingkat akurasi 
sebesar 97.09%. 

Kata Kunci : 

Akurasi 
Attribute Weighting 
K-Nearest Neighbor 
Local Mean 
Peningkatan 

© This work is licensed under a Creative Commons Attribution-ShareAlike 
4.0 International License. 

Koresponden:  

Khairul Umam Syaliman 
Teknik Informatika 
Politeknik Caltex Riau 
Jl. Umbansari (Patin), Pekanbaru, Indonesia, 28265 
Email : khairul@pcr.ac.id 

 
 
1. PENDAHULUAN  

K-Nearest Neighbor atau biasa dikenal dengan kNN merupakan suatu metode klasifikasi 
yang berbasis jarak [1], kNN adalah salah satu metode yang populer dan paling banyak digunakan 
dalam penyelesaian berbagai kasus klasifikasi, diantaranya text categorization, pengenalan pola, 
peramalan, image-similarity, data visualization, pengklasifikasian, estimasi posisi, dan lain-lain [2-
18]. kNN telah banyak mengalami perubahan dengan tujuan untuk meningkatkan kinerja dari 
metode ini, hal ini disebabkan karena kNN mudah dieksploitasi di berbagai domain aplikasi, 
memiliki generalisasi yang biak, mudah dimengerti, memiliki kemampuan beradaptasi ke ruang 



               IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 11 - 18 

Yuliska; Syaliman, Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara 
Kota Pekanbaru 

12 

fitur yang tidak beraturan, intuitif, atraktif, efektif, flexibility, udah diterapkan, sederhana dan 
memiliki hasil yang baik [1,3,14-30].   

Salah satu modifikasi yang sukses meningkatkan hasil akurasi dari kNN adalah metode yang 
diusulkan oleh [31] atau biasa dikenal dengan local mean k-Nearest Neighbor (LMKNN). Pada 
penelitian tersebut disarakan untuk mengganti system vote majority (suara terbanyak) dengan local 
mean, hal ini bertujuan untuk mengurangi pengaruh outlier [32]. Pada penelitian tersebut local 
mean terbukti mampu utuk meningkatkan hasil akurasi [31, 20]. 

Modifikasi selanjutnya diusulkan oleh [33] atau biasa dikenal dengan Distance Weight K-
Nearest Neighbor (DWKNN). Pada penelitian ini penulis juga mengusulkan untuk mengganti 
system vote majority dengan metode distance weight, hal ini bertujuan untuk memberikan pengaruh 
yang lebih besar terhadap data yang memiliki tingkat kemiripan yang tinggi, sehingga penentuan 
kelas bagi data baru menjadi lebih akurat. Pada penelitian ini terbukti bahwa distance weight 
mampu memberikan hasil akurasi yang lebih baik. 

Dua penelitian diatas yaitu LMkNN dan DWkNN telah berhasil dikombinasikan oleh [34]. 
Pada penelitian tersebut penulis menyarankan penggabungan beberapa tahapan dari metode 
LMkNN dengan beberapa tahapan dari metode DWkNN dengan tujuan untuk mengatasi 
kelemahan pada system vote majority. Dimana tahapan dari LMkNN digunakan untuk mengurangi 
pengaruh outlier yang terpilih sebagai k-tetangga terdekat, dan tahapan dari DWkNN digunakan 
untuk menutupi kelemahan system vote majority yang mengabaikan kemirapan antar data dan 
kemungkinan terjadinya kelas mayoritas ganda [33-34]. 

Namun, penelitian yang disarakan oleh [34] masih memiliki peluang untuk ditingkatkan. 
Salah satunya dengan memberikan bobot pada setiap attribut (Feature). Hal ini dirasa perlu 
dikarenakan metode yang berbasis jarak selalu meberikan pengaruh yang sama pada setiap attribut 
dalam proses penentuan kemiripan antar data. Tentu saja hal ini membuat attribut yang tidak 
relevan terhadap hasil klasifikasi juga akan memberikan pengaruh yang sama besarnya terhadap 
atribut yang memiliki relevan. 

[33] dan [36] sepakat meberikan bobot yang berbeda terhadap setiap attribut, dimana attribut 
yang memiliki pengaruh yang lebih besar terhadap hasil akurasi diberikan bobot yang lebih besar 
dibandingkan attribut lainnya. Pada kedua penelitian ini juga disarankan menggukan Gain Ratio 
yang dijadikan dasar pembobotan dari setiap attribut. Berdasarkan hasil penelitian gain ratio 
terbukti mampu untuk meningkatkan nilai akurasi.  

Berdasarkan penelitian-penelitian diatas, pada penelitian kali ini penulis berusahan untuk 
melakukan peningkatan pada metode kNN tersebut, dimana pada penelitian ini penulis akan 
menggabungkan metode pembobotan attribut dengan local mean yang telah terbukti berhasil 
meningkatkan akurasi dari metode kNN konvensional. Diharapkan gabungan dari metode tersebut 
mampu untuk meningkatkan hasil akurasi dari kNN.  

Untuk melihat kinerja dari modifikasi yang dilakukan maka akan digunakan data Index 
Standar Polusi Udara di Kota Pekanbaru, Riau, Indonesia. Adapun struktur penulisan dari 
penelitian ini terdiri dari bagian 2 rangkuman mengenai studi literatur. Bagian 3 akan dijelaskan 
mengenai Metode yang diusulkan, bagian 4 merupakan bagian hasil dan pembahasan serta yang 
terakhir bagian 5 yang merupakan kesimpulan dari penelitian. 
 
2. STUDI LITERATUR 

Pada bagian ini akan dijelakan mengenai studi literature dan metode apa saja yang digunakan 
pada penelitian ini. Metode yang diusulkan akan menggabungkan beberapa tahapan dari FWkNN 
dan LMkNN, dimana untuk melakukan pembobotan attributnya akan menggukan metode Gain 
Ratio.  

 
2.1.  Gain Ratio 

Gain Ratio ditemukan pada algoritma C4.5, dimana gain ratio digunakan untuk menghitung 
pengaruh atribut terhadap target dari suatu data [36]. Gain Ratio merupakan pengembangan dari 
information gain, dimana gain ratio mengambil informasi intrinsik dan menghilangkan nilai bias 



IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 11 - 18  
 

Yuliska; Syaliman, Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara 
Kota Pekanbaru 

13 

dari setiap atribut [38]. Adapun langkah-langkah dalam perhitungan Gain Ratio adalah sebagai 
berikut : 

• Hitung nilai entropy dari masing-masing attribut dengan menggunakan persamaan : 
𝐸𝑛𝑡𝑟𝑜𝑝𝑦	(𝑆) = ∑ −	𝑝𝑖 ∗ 𝑙𝑜𝑔!𝑝𝑖

"
#$%  (1) 

• Hitung nilai informasi gain pada masing-masing attribut dengan persamaan : 
𝐼𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛	𝐺𝑎𝑖𝑛	(𝑆,𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) −	∑ |'!|

|'|
× 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆#)

"
#$%  (2) 

• Hitung nilai split information dengan menggunakan persamaan :  
𝑆𝑝𝑙𝑖𝑡𝐼𝑛𝑓𝑜((𝐷) =	−∑

|)"|
|)|

*
+$% × 𝑙𝑜𝑔! <

)"
)
= (3) 

• Hitung nilai Gain Ratio setiap attribut dengan persamaan : 
𝐺𝑎𝑖𝑛	𝑅𝑎𝑡𝑖𝑜	(𝐴) = ,-#"	(()

'12#34"56(()
 (4) 

2.2.  Feature Weighting K-Nearest Neighbor 
Feature Weighting K-Nearest Neighbor (FWKNN) adalah modifikasi dari kNN dengan 

prinsip kerja memberikan bobot yang berbeda terhadap attribut atau feature data dengan tujuan 
mengurangi attribut yang tidak atau kurang relevan terhadap kelas data[33,36]. Adapun tahapan 
dari FWKNN secara sederhana dapat dijelaskan sebagai berikut : 
Tahapan 1 :  Hitung Gain Ratio dari setiap attribut dan jadikan sebagai nilai bobot pada setiap 

attribut. 
Tahapan 2 : Tentukan nilai k 
Tahapan 3 : Hitung kemiriapan dengan menggunakan persamaan : 

𝑑7(𝑋8 − 𝑋) = A∑ 𝑊9 × (𝑥#
′ − 𝑥#)!

9
#$%  (5) 

Tahapan 4 :  Pilih k tetangga terdekat berdasarkan kemiripan. 
Tahapan 5 : Tentukan kelas mayoritas dari k tetangga terdekat dan jadikan sebagai kelas bagi 

data yang baru. 

Banyak metode yang dapat digunakan dalam pembobotan attribut, salah satunya dengan 
menggunakan gain ratio. [33] dan [36] membuktikan bahwa pembobotan attribut dengan 
menggunakan Gain Ratio mampu memberikan hasil yang lebih baik dari metode kNN 
konvensional. 

 
2.3.  Local Mean K-Nearest Neighbor 

Local mean K-Nearest Neighbor atau biasa disingkat dengan LMkNN adalah metode yang 
pertama kali dikenalkan oleh [31]. Pada penelitian tersebut vote system majority digantikan dengan 
local mean dalam proses penetuan kelas bagi data baru. Adapun tahapan dari LMkNN adalah 
sebagai berikut : 
Tahapan 1 :  Tentukan nilai k. 
Tahapan 2 :  Hitung kemiripan data training dan data testing dengan menggunakan persamaan : 

𝑑(𝑋8 − 𝑋) = A∑ (𝑥#
′ − 𝑥#)!

9
#$%  (6) 

Tahapan 3 : Pilih k tetangga terdekat dari setiap kelas. 
Tahapan 4  : Hitung local mean dengan persamaan : 

𝑚7"
: = #

:
∑ 𝑦#,+

<<:
#$%  (7) 

Tahapan 5 : Hitung kemiripan data testing terhadap local mean dari setiap kelas data dengan 
persamaan (6). 

Tahapan 6  : Jadikan kelas data dari local mean terdekat sebagai kelas bagi data testing. 
 

3. METODE YANG DIUSULKAN  
Pada bagian ini akan dijelaskan mengenai metode yang diusulkan. Dimana pada penelitian 

kali ini penulis akan menggabungkan beberapa tahapan dari FWkNN dan LMkNN. Untuk melihat 
lebih jelas langkah-langkah dari metode yang diusulkan dapat dilihat pada gambar 1. 



               IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 11 - 18 

Yuliska; Syaliman, Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara 
Kota Pekanbaru 

14 

 
Gambar 1. Metode Yang Diusulkan. 

 
Berdasarkan gambar 1 dapat dijelaskan langkah-langkah pengabungkan antara feature 

weighting dan local mean dalam penelitian ini adalah sebagai berikut : 
Tahapan 1  :  Hitung bobot setiap attribut dengan menggunakan Gain Ratio. 
Tahapan 2  :  Tentukan nilai k. 
Tahapan 3  :  Hitung kemiripan antar data latih dan data uji dengan persamaan (5). 
Tahapan 4  : Pilih k tetangga terdekat dari setiap kelas data.  
Tahapan 5 :  Tentukan local mean dengan persamaan (7). 
Tahapan 6  : Hitung kemiripan antara data uji dengan local mean dari setiap kelas menggunakan 

persamaan (5). 
Tahapan 7  :  Jadikan kelas data dari local mean terdekat sebagai kelas bagi data testing. 

Tahapan 1 s/d 3 merupakan proses yang diadopsi dari metode FWkNN, sedangkan tahapan 4 
s/d 7 merupakan bagian proses dari metode LMkNN. Dimana pembobotan attribut dilakukan untuk 
mengurangi pengaruh attribut yang tidak atau kurang relevan terhadap kelas data, sedangkan local 
mean digunakan untuk mengatasi kelemahan pada sistem suara terbanyak. 
 
4. HASIL DAN PEMBAHASAN 

Untuk mengetahui apakah metode yang diusulkan mampu menghasilkan akurasi yang lebih 
baik, maka pada penelitian kali ini akan dilakukan pengujian dengan menggunakan data Index 
Standart Pencemaran Udara (ISPU) Kota Pekanbaru, Riau, Indonesia. Data ISPU ini didapat dari 
lab Udara Pemerintah Kota Pekanbaru. Data ini terdiri dari 5 attribut dengan 4 kategori kelas data 
(Bagus, Sehat, Tidak Sehat, Sangat Tidak Sehat), dimana jumlah data sebanyak 992 data. Data ini 
juga merupakan data yang unbalance, artinya jumlah data dari setiap kelas-nya tidak seimbang. 
Adapun rincian dari data dapat dilihat pada table 1. 

 
Tabel 1. Rincian Data Yang digunakan 

Data Nilai Attribut Ke Jumlah Data Per-
Kelas 

Jumlah 
Data 

1 2 3 4 5 B S STS TS 
Index 
Pencemaran 
Udara 

4…870 0…57 0…150 2…211 0…105 796 150 15 31 992 

 
Pada penelitian ini akan menggunakan metode Hold-Out pada proses validasinya dimana 

sebanyak 80% dari jumlah data akan dijadikan sebagai data latih dan 20% sisanya akan dijadikan 

Calculate Feature 
Weighting using Gain 

Ratio

Determination 
value of k

Compute the similarity 
between data training 

and data testing

Select k Nearest 
Neighor

Compute local mean

Compute the similarity between 
data test to local mean from each 

class data

Select class with highest similarity
FWKNN
LMKNN



IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 11 - 18  
 

Yuliska; Syaliman, Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara 
Kota Pekanbaru 

15 

sebagai data uji. Pada penelitian ini hanya akan menggunakan k bernilai 1 s/d K bernilai 5 
dikarenakan data bersifat unbalance. Adapun rincian data uji dan data latih dapat dilihat pada tabel 
2. 

Tabel 2. Rincian Data Latih dan Data Uji 
 Jumlah Data Per-Kelas Jumlah 

Data B S STS TS 
Latih 640 119 10 24 793 
Uji 156 31 5 7 199 

Total Data 992 
 
Untuk mengatahui dengan pasti apakah metode yang diusulkan mampu memberikan hasil 

akurasi yang terbaik, maka selanjutnya akan dilakukan pengujian dengan menggunakan data yang 
telah dibagi menjadi 2 bagian, adapun hasil dari akurasi dapat dilihat pada tabel 3 dan gambar 2.  

 
Tabel 3. Result Accuracy from APSI data 

k Accuracy Metode 
kNN(1) Metode Yang Diusulkan(2) Terbaik 

1 93.97% 95.98% 2 
2 93.97% 96.48% 2 
3 95.48% 97.99% 2 
4 94.47% 96.98% 2 
5 95.48% 97.99% 2 

Rata-rata 94.67% 97.09% 2 
 

 
Gambar 2. Hasil Akurasi Klasifikasi Data ISPU. 

 
Berdasarkan tabel 3 dan gambar 2 terlihat bahwa metode yang diusulkan selalu  memberikah 

hasil akurasi yang lebih baik dari kNN konvensional, dimana nilai akurasi terendah yang didapati 
kNN sebesar 93.97% dan yang tertinggi hanya sebesar 95.48% saat k bernilai 3 dan 5, sedangkan 
metode yang diusulkan mampu menghasilkan nilai akurasi terendah sebesar 95.98% dan tertinggi 
sebesar 97.99% saat k bernilai 3 dan 5. Rata-rata peningkatan yang dicapai pada metode yang 
diusulkan adalah sebesar 2.42%. 

 
5. KESIMPULAN 

Berdasarkan bagian dari hasil dan pembahasan terlihat bahwa pembobotan attribut dan local 
mean mampu meningkatkan hasil akurasi dari kNN konvensional. Akurasi tertinggi yang mampu 
dicapai dengan menggunakan kNN konvensional hanya sebesar 95.48% saat k bernilai 3 dan 5, 

91,00%

92,00%

93,00%

94,00%

95,00%

96,00%

97,00%

98,00%

99,00%

1 2 3 4 5

kNN Metode Yang Diusulkan



               IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 11 - 18 

Yuliska; Syaliman, Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara 
Kota Pekanbaru 

16 

sedangkan metode yang diusulkan mampu mencapai nilai akurasi sebesar 97.99% saat k bernilai 3 
dan 5 dengan rata-rata peningkatan akurasi sebesar 2.42%. 
 
UCAPAN TERIMA KASIH  

Penulis mengucapkan terima kasih kepada Sri Indah Darlianti, S.T untuk sumbangan data 
ISPU Kota Pekanbaru, Lembaga Penelitian Politeknik Caltex Riau (PCR) untuk dukungan fasilitas 
serta financial dan kepada Raudhatul Jannah untuk dukungan moral maupun materil yang tak bias 
diungkapkan dengan kata-kata pada bagian ini. 
 
DAFTAR PUSTAKA  
[1] J. Wang, P. Neskovic, and L. N. Cooper, “Improving nearest neighbor rule with a simple adaptive 

distance measure,” Pattern Recognit. Lett., vol. 28, no. 2, pp. 207–213, 2007. 
[2] N. Bhatia, and Vandana, “Survey of nearest neighbor techniques” Int. J. of Computer Science and 

Information Security, vol 8, no. 2, pp. 302-305, 2010. 
[3] J. Gou, Z. Yi, L. Du, and T. Xiong, “A Local Mean-Based k -Nearest Centroid Neighbor Classifier,” 

vol. 55, no. 9, 2012. 
[4] A. Suárez Sánchez, F. J. Iglesias-Rodríguez, P. Riesgo Fernández, and F. J. de Cos Juez, “Applying 

the K-nearest neighbor technique to the classification of workers according to their risk of suffering 
musculoskeletal disorders,” Int. J. Ind. Ergon., vol. 52, pp. 92–99, 2014. 

[5] H. B. Jaafar, N. B. Mukahar, and D. A. B. Ramli, “A methodology of nearest neighbor: Design and 
comparison of biometric image database,” Proc. - 14th IEEE Student Conf. Res. Dev. Adv. Technol. 
Humanit. SCOReD 2016, 2017. 

[6] K. Zheng, G. Si, L. Diao, Z. Zhou, J. Chen, and W. Yue, “Applications of support vector machine and 
improved k-Nearest neighbor algorithm in fault diagnosis and fault degree evaluation of gas insulated 
switchgear,” ICEMPE 2017 - 1st Int. Conf. Electr. Mater. Power Equip., pp. 364–368, 2017. 

[7] Y. Cai, H. Huang, H. Cai, and Y. Qi, “-Nearest Neighbor Locally Search Regression Algorithm for 
Short-Term Traffic Flow Forecasting,” no. Icmic, pp. 624–629, 2017. 

[8] I. Gazalba, N. Gayatri, and I. Reza, “Comparative Analysis of K-Nearest Neighbor and Modified K-
Nearest Neighbor Algorithm for Data Classification,” pp. 294–298, 2017. 

[9] F. Chen, Z. Ye, C. Wang, L. Yan, and R. Wang, “A Feature Selection Approach for Network 
Intrusion Detection Based on Tree-Seed Algorithm and K-Nearest Neighbor,” 2018 IEEE 4th Int. 
Symp. Wirel. Syst. within Int. Conf. Intell. Data Acquis. Adv. Comput. Syst., pp. 68–72, 2018. 

[10] S. Han and Y. Li, “ScienceDirect ScienceDirect K-Nearest Neighbor combined with guided filter for 
hyperspectral K-Nearest Neighbor combined with guided filter for hyperspectral image classification 
image classification,” vol. 00, 2018. 

[11] L. Le, “Deep Similarity-Enhanced K Nearest Neighbors,” 2018 IEEE Int. Conf. Big Data (Big Data), 
pp. 2643–2650, 2018. 

[12] J. Kim, “Adapt tive K -Neare est Ne eighbo our Alg gorithm m for WiFi Finge erprint t Posit tioning 
g,” ICT Express, pp. 4–7, 2018. 

[13] H. Kaneko, “SC,” Chemom. Intell. Lab. Syst., 2018. 
[14] A. Swetapadma and A. Yadav, “A novel single-ended fault location scheme for parallel transmission 

lines using k-nearest neighbor algorithm ☆,” Comput. Electr. Eng., vol. 69, no. May, pp. 41–53, 
2018. 

[15] A. R. Winnersyah, “Identification and Position Estimation Method with K-Nearest Neighbour and 
Home Occupants Activity Pattern,” 2018 6th Int. Conf. Cyber IT Serv. Manag., no. Citsm, pp. 1–4, 
2018. 

[16] F. Borghesan, M. Chioua, and N. F. Thornhill, “Forecasting of process disturbances using k -nearest 
neighbours , with an application in process control R,” Comput. Chem. Eng., vol. 128, no. 675215, pp. 
188–200, 2020. 

[17] M. Cao, L. I. N. Li, W. Xie, W. E. I. Jia, M. Ieee, and Z. Lv, “Parallel K Nearest Neighbor Matching 
for 3D Reconstruction,” IEEE Access, vol. 7, pp. 55248–55260, 2019.Test 

[18] J. Gou, H. Ma, W. Ou, S. Zeng, Y. Rao, and H. Yang, “A generalized mean distance-based k-nearest 
neighbor classifier,” Expert Syst. Appl., 2018. 

[19] N. Garcia-Pedrajas, J. A. Romero Del Castillo, and G. Cerruela-Garcia, “A Proposal for Local $k$ 
Values for $k$-Nearest Neighbor Rule,” IEEE Trans. Neural Networks Learn. Syst., vol. 28, no. 2, pp. 
470–475, 2017.  



IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 11 - 18  
 

Yuliska; Syaliman, Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara 
Kota Pekanbaru 

17 

[20] Z. Pan, Y. Wang, and W. Ku, “A new k-harmonic nearest neighbor classifier based on the multi-local 
means,” Expert Syst. Appl., vol. 67, pp. 115–125, 2017.  

[21] S. Ougiaroglou and G. Evangelidis, “Fast and accurate k-nearest neighbor classification using 
prototype selection by clustering,” Proc. 2012 16th Panhellenic Conf. Informatics, PCI 2012, no. i, pp. 
168–173, 2012.  

[22] F. Yu, J. C. Liu, and D. M. Liu, “An approach for fault diagnosis based on an improved k-nearest 
neighbor algorithm,” Chinese Control Conf. CCC, vol. 2016-August, no. 1, pp. 6521–6525, 2016.  

[23] S. K. Shukla and E. Koley, “Detection and classification of open conductor faults in six-phase 
transmission system using k-nearest neighbour algorithm,” 2017 7th Int. Conf. Power Syst. ICPS 
2017, pp. 157–161, 2018. 

[24] K. Fathoni, M. Zikky, A. S. Nurhayati, and I. Prasetyaningrum, “Application of K-Nearest Neighbor 
Algorithm for Puzzle Game of Human Body’s System Learning on Virtual Mannequin,” Proc. - 2018 
Int. Conf. Appl. Sci. Technol. iCAST 2018, pp. 530–535, 2018. 

[25] S. S. Mullick, S. Datta, and S. Das, “Adaptive learning-based k-nearest neighbor classifiers with 
resilience to class imbalance,” IEEE Trans. Neural Networks Learn. Syst., vol. 29, no. 11, pp. 5713–
5725, 2018. 

[26] K. Nyodu and K. Sambyo, “Automatic Identification of Arunachal language Using K-Nearest 
Neighbor Algorithm,” Proc. - IEEE 2018 Int. Conf. Adv. Comput. Commun. Control Networking, 
ICACCCN 2018, pp. 213–216, 2018. 

[27] M. Pujari, C. Awati, and S. Kharade, “Efficient Classification with an Improved Nearest Neighbor 
Algorithm,” Proc. - 2018 4th Int. Conf. Comput. Commun. Control Autom. ICCUBEA 2018, pp. 1–5, 
2018. 

[28] G. A. Sandag, N. E. Tedry, and S. Lolong, “Classification of Lower Back Pain Using K-Nearest 
Neighbor Algorithm,” 2018 6th Int. Conf. Cyber IT Serv. Manag. CITSM 2018, no. Citsm, pp. 1–5, 
2019. 

[29] M. Marzouq, H. El Fadili, Z. Lakhliai, A. Mechaqrane, and K. Zenkouar, “New distance weighted k 
Nearest Neighbor model for hourly global solar irradiation estimation,” 2019 Int. Conf. Wirel. 
Technol. Embed. Intell. Syst. WITS 2019, pp. 1–5, 2019. 

[30] Y. Wang, Z. Pan, and Y. Pan, “A Training Data Set Cleaning Method by Classification Ability 
Ranking for the k-Nearest Neighbor Classifier,” IEEE Trans. Neural Networks Learn. Syst., no. 1, pp. 
1–13, 2019.  

[31] Y. Mitani and Y. Hamamoto, “A local mean-based nonparametric classifier,” Pattern Recognit. Lett., 
vol. 27, no. 10, pp. 1151–1159, 2006. 

[32] Z. Pan, Y. Wang, and W. Ku, “A new general nearest neighbor classification based on the mutual 
neighborhood information,” Knowledge-Based Syst., vol. 121, pp. 142–152, 2017. 

[33] A. Duneja and T. Puyalnithi, “Enhancing Classification Accuracy of K-Nearest Neighbours Algorithm 
Using Gain Ratio,” Int. Res. J. Eng. Technol., vol. 4, no. 9, pp. 1385–1388, 2017. 

[34] K. U. Syaliman, E. B. Nababan, and O. S. Sitompul, “Improving the accuracy of k-nearest neighbor 
using local mean based and distance weight,” J. Phys. Conf. Ser., vol. 978, no. 1, 2018. 

[35] Y. Chen and Y. Hao, “A feature weighted support vector machine and K-nearest neighbor algorithm 
for stock market indices prediction,” Expert Syst. Appl., vol. 80, pp. 340–355, 2017.  

[36] A. A. Nababan, O. S. Sitompul, and Tulus, “Attribute Weighting Based K-Nearest Neighbor Using 
Gain Ratio,” J. Phys. Conf. Ser., vol. 1007, no. 1, 2018.  

[37] Thomas M. Mitchell. 1997. Machine Learning (1 ed.). McGraw-Hill, Inc., New York, NY, USA. 
[38] P. P. R., V. M.L., and S. S., “Gain Ratio Based Feature Selection Method for Privacy Preservation,” 

ICTACT J. Soft Comput., vol. 01, no. 04, pp. 201–205, 2011. 
 
 
 
 
 
 
 
 
 
 
 
 
 



               IT Jou Res and Dev, Vol.5, No.1, Agustus 2020 : 11 - 18 

Yuliska; Syaliman, Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara 
Kota Pekanbaru 

18 

BIOGRAFI PENULIS 
 

 

Yuliska, S.T., M.Eng obtained her bachelor degree in informatics engineering from State 
Islamic University of Suska Riau, in 2009, obtained her master degree in Computer Science 
and Communications Engineering from Waseda University, in 2017. She is now a lecturer in 
Informatics Engineering major, Politeknik Caltex Riau. Her current research interests are 
Natural Language Processing, Text Mining, Deep Learning and Human Computer Interaction 
 
 

 

 
 

Khairul Umam Syaliman is now a lecturer in Informatics Engineering major, Politeknik 
Caltex Riau. His current research interests are Artificial Intelligence, Data Mining, Machine 
Learning, Deep Learning and Natural Language Processing.