Melola Discovery

← Melola Discovery

Jurnal Tanpa peringkat SINTA

Algoritma K-Nearest Neighbour untuk Memprediksi Harga Jual Tanah

Jurnal Matematika, Statistika dan Komputasi · Vol. 9 No. 1 (2018) · hlm. 57–68

DOI
10.20956/jmsk.v9i1.3399
ISSN
2614-8811, 1858-1382
Terbit
2018-02-01
Penerbit
Department of Mathematics, Hasanuddin University
Bahasa
en

Abstrak

Sampai saat ini masih banyak masyarakat yang kesulitan untuk menentukan pilihan dalam memilih tanah yang strategis dengan harga sesuai kemampuan karena kurangnya pengetahuan tentang harga tanah berdasarkan harga pasar. Berdasarkan permasalahan tersebut maka dilakukan perancangan dan pembuatan aplikasi yang dapat digunakan untuk memprediksi harga jual tanah dengan pendekatan algoritma K-Nearest Neighbour (KNN). Dengan aplikasi ini diharapkan dapat memberikan Informasi yang lebih akurat dan efisien tentang harga jual tanah serta membantu para calon pembeli atau penjual tanah untuk memprediksi nilai tanah sesuai dengan kriteria yang ditentukan. Data yang dikumpulkan berupa data sekunder. Metode yang digunakan adalah gabungan antara tahapan data mining yang dikenal dengan istilah Cross-Industry Standard Process for Data Mining (CRISP-DM) dan metode pengembangan perangkat lunak Waterfall Model. Secara keseluruhan aplikasi ini mampu untuk memprediksi nilai tanah dengan pemrosesan yang cukup lama karena algoritma KNN prinsipnya adalah membandingkan data testing (data baru) dengan data training (data lama) secara satu persatu. Hasil akurasi dari prediksi data testing adalah sebesar 80%.

Jaringan kolaborasi para penulis

8 penulis · 18 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Universitas Negeri Surabaya
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Andi Iwan NurhidayatUniversitas Negeri Surabaya1
Muhammad Iskandar JavaUniversitas Negeri Surabaya1
Widi AribowoUniversitas Negeri Surabaya1
Farid BaskoroUniversitas Negeri Surabaya1
Yuni YamasariUniversitas Negeri Surabaya1
Miftahur RohmanUniversitas Negeri Surabaya1
Rina HarimurtiUniversitas Negeri Surabaya1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/jmsk/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Algoritma K-Nearest Neighbour untuk Memprediksi Harga Jual Tanah</dc:title>
	<dc:creator xml:lang="en">Yustanti, Wiyli</dc:creator>
	<dc:description xml:lang="en">Sampai saat ini masih banyak masyarakat yang kesulitan untuk menentukan pilihan dalam memilih tanah yang strategis dengan harga sesuai kemampuan karena kurangnya pengetahuan tentang harga tanah berdasarkan harga pasar. Berdasarkan permasalahan tersebut maka dilakukan perancangan dan pembuatan aplikasi yang dapat digunakan untuk memprediksi harga jual tanah dengan pendekatan algoritma K-Nearest Neighbour (KNN). Dengan aplikasi ini diharapkan dapat memberikan Informasi yang lebih akurat dan efisien tentang harga jual tanah serta membantu para calon pembeli atau penjual tanah untuk memprediksi nilai tanah sesuai dengan kriteria yang ditentukan. Data yang dikumpulkan berupa data sekunder. Metode yang digunakan adalah gabungan antara  tahapan data mining yang dikenal dengan istilah Cross-Industry Standard Process for Data Mining (CRISP-DM) dan metode pengembangan perangkat lunak Waterfall Model. Secara keseluruhan aplikasi ini mampu untuk memprediksi nilai tanah dengan pemrosesan yang cukup lama karena algoritma KNN prinsipnya adalah membandingkan data testing (data baru) dengan data training (data lama) secara satu persatu. Hasil akurasi dari prediksi data testing adalah sebesar 80%. </dc:description>
	<dc:publisher xml:lang="en">Department of Mathematics, Hasanuddin University</dc:publisher>
	<dc:date>2018-02-01</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/jmsk/article/view/3399</dc:identifier>
	<dc:identifier>10.20956/jmsk.v9i1.3399</dc:identifier>
	<dc:source xml:lang="en">Jurnal Matematika, Statistika dan Komputasi; Vol. 9 No. 1: July 2012; 57-68</dc:source>
	<dc:source>2614-8811</dc:source>
	<dc:source>1858-1382</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/jmsk/article/view/3399/1936</dc:relation>
	<dc:relation>10.20956/j.v9i1.3399.g1936</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2018 Wiyli Yustanti</dc:rights>
</oai_dc:dc>