PERBANDINGAN JARAK EUCLIDEAN DAN MANHATTAN MENGGUNAKAN METODE K-NEAREST NEIGHBORS DENGAN MULTI-CLASS CONFUSION MATRIX
Penelitian ini membahas perbandingan antara jarak Euclidean dan Manhattan dalam algoritma K-Nearest Neighbors (KNN) dengan menggunakan evaluasi confusion matrix serta pengukuran kinerja berupa akurasi, presisi, recall, dan F1-score pada dataset kategori obesitas. Kedua jenis jarak ini sering digunakan dalam KNN, namun memiliki karakteristik yang berbeda dalam menghitung jarak antar titik data. Dalam studi ini, model KNN diimplementasikan dengan kedua jenis jarak tersebut, dan hasil kinerjanya dianalisis menggunakan confusion matrix. Dari hasil eksperimen, model KNN dengan jarak Euclidean mencapai nilai akurasi sebesar 0.89, sementara model dengan jarak Manhattan mencapai nilai akurasi sebesar 0.90. Analisis lebih lanjut menunjukkan bahwa nilai presisi, recall, dan F1-score untuk kedua model memiliki perbedaan yang signifikan, mengindikasikan bahwa jarak Manhattan sedikit lebih unggul dalam konteks ini. Temuan ini memberikan wawasan penting tentang pemilihan jenis jarak dalam implementasi KNN, terutama dalam situasi di mana perbedaan kinerja sekecil apapun dapat berdampak signifikan.
URI
https://repo.itera.ac.id/depan/submission/SB2406060206
Keyword
KNN Euclidean Manhattan Confusion Matrix Obesitas