JIKOM: Jurnal Informatika dan Komputer Vol.
No.
April 2025 Hlm.
132 - 140
ISSN: 2597-372X (ONLINE)
Klasifikasi Daerah Rawan Narkotika menggunakan Algoritma K-Nearest Neighbors (Studi Kasus:
Kabupaten Klate.
Classification Of Drug-Prone Areas using K-Nearest Neighbors Algorithm (Case Study: Klaten Distric.
Prima Wulan Sari .
Mutaqin Akbar Universitas Mercu Buana Yogyakarta Email: 221120141@student.
mercubuana-yogya.
id , mutaqin@mercubuana-yogya.
Informasi Artikel Diterima : 17 Ae 07 - 2024 Direvisi : 22 Ae 03 - 2025 Disetujui : 10 Ae 04 - 2025 Kata Kunci: Klasifikasi.
KNN.
Daerah Rawan Narkotika.
Klaten Keywords: Classification.
KNN.
Drug Prone Areas.
Klaten.
Abstrak Dampak penyalahgunaan narkoba dapat sangat merusak, termasuk kesehatan individu dan komunitas.
Berbagai macam upaya telah dilakukan dan dikoordinasikan dengan lembaga pemerintahan, penegak hukum, masyarakat dan lainnya.
Salah satunya adalah dengan cara mengklasifikasikan daerah penyebaran narkotika untuk menekan penurunan kasus penyalahgunaan narkoba.
Penelitian ini menguji sebanyak 26 kecamatan di kabupaten Klaten.
Jawa Tengah pada tahun 2022.
Proses klasifikasi dilakukan dengan mengimplementasikan metode K-Nearest Neighbors yang diintegrasikan dengan Google Colab dan pemrograman Phyton.
Metode KNN dipilih karena dapat menetapkan kategori atau label untuk data baru berdasarkan mayoritas dari tetangga terdekatnya dalam ruang atribut yang telah didefinisikan sebelumnya.
Kesimpulan yang diperoleh yaitu sistem dapat melakukan klasifikasi sebanyak 7 kecamatan dengan status wilayah Sangat Rawan, 15 kecamatan dengan status Rawan, dan 7 kecamatan dengan status Tidak Rawan Pengujian yang dilakukan dengan metode KNN dengan confusion matrix menghasilkan akurasi sebesar 100%, %.
Presisi 100%, recall 100% dan f1-Score sebesar 100% dan rata-rata akurasi sebesar 70,5%.
Nilai akurasi yang tinggi tersebut menunjukkan penelitian ini berhasil menerapkan metode KNN dalam melakukan klasifikasi terhadap daerah rawan narkotika di kabupaten Klaten.
Instansi terkait seperti Polres Klaten dapat menyesuaikan program ini secara dinamis untuk memantau daerah-daerah yang telah diklasifikasikan sebagai rawan narkotika dan melakukan tindak lanjut yang lebih cepat.
Abstract The impact of drug abuse can be devastating, including individual and community Various efforts have been made and coordinated with government agencies, law enforcement, communities and others.
One of them is by classifying drug distribution areas to suppress the decline in drug abuse cases.
This study tested 26 sub-districts in Klaten district.
Central Java in 2022.
The classification process is done by implementing the K-Nearest Neighbors method integrated with Google Colab and Python programming.
The KNN method was chosen because it can assign categories or labels to new data based on the majority of its nearest neighbors in a predefined attribute space.
The conclusion obtained is that the system can classify as many as 7 sub-districts with the status of Very Prone areas, 15 sub-districts with the status of Prone, and 7 sub-districts with the status of Not Prone Tests conducted with the KNN method with confusion matrix resulted in an accuracy of 100%, %.
Precision 100%, recall 100% and f1-Score of 100% and an average accuracy of 70.
The high accuracy value shows that this research has successfully applied the KNN method in classifying drug-prone areas in Klaten district.
Relevant agencies such as Klaten District Police can adjust the program dynamically to monitor areas that have been classified as drug-prone and conduct faster follow-up.
Correspondence Prima Wulan Sari.
Universitas Mercu Buana Yogyakarta.
Indonesia.
Email: 221120141@student.
mercubuana-yogya.
Jurnal Jikom is licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License PENDAHULUAN Penyalahgunaan narkoba merupakan tantangan serius yang sedang dihadapi oleh pemerintah Provinsi Jawa Tengah pada saat ini.
Terlebih lagi saat ini penyalahgunaan narkoba mengalami peningkatan yang cukup pesat di kalangan remaja, tentunya hal ini menjadi masalah serius yang perlu di tangani oleh berbagai pihak, karena di khawatirkan dapat membahayakan generasi bangsa di kemudian hari.
Menurut BNNP Jateng (Badan Narkotika Nasional Provinsi Jawa Tenga.
dikutip dalam solo.
com terdapat 3,6 juta warga Jawa Tengah yang terpapar narkoba pada tahun 2021 .
Narkoba adalah jenis obat yang sangat berbahaya bagi manusia apabila digunakan secara tidak benar.
Zat-zat atau bahan-bahan yang terdapat dalam narkoba dapat menyebabkan reaksi negatif yang memengaruhi tubuh, terutama otak atau sistem saraf pusat, yang dapat mengakibatkan gangguan kesehatan .
Penyebaran narkoba tidak hanya tersebar pada wilayah metropolitan saja, namun sudah mulai memasuki wilayah kecamatan hingga perdesaan dan telah membawa dampak yang sangat negatif bagi masyarakat khususnya generasi muda bangsa Indonesia .
Salah satu daerah di Jawa Tengah dengan kasus penyalahgunaan narkoba tertinggi ada pada wilayah kabupaten Klaten.
Metode yang dapat digunakan dalam menekan penurunan kasus penyalahgunaan narkoba pada wilayah ini adalah dengan mengklasifikasi daerah penyebaran yang sudah terdapat kasus narkoba.
Proses klasifikasi adalah teknik yang bertujuan untuk mengkategorikan objek yang mengacu pada karakter atau jenis tertentu, seperti makhluk hidup yang sedang berusaha mengorganisis objek yang satu dengan yang lainnya Klasifikasi dapat dilakukan secara manual ataupun dengan penggunaan teknologi.
Klasifikasi secara manual merupakan klasifikasi yang dilakukan atau diproses langsung oleh manusia tanpa adanya penggunaan sistem pada komputer atau dalam hal ini kecerdasan buatan.
Proses klasifikasi yang melibatkan teknologi terdiri atas beberapa algoritma, seperti Nayve Bayes.
Support Vector Machine.
Decission Tree.
Fuzzy dan K-Nearest Neighbors (KNN) .
Algoritma KNearest Neighbor (KNN) adalah sebuah metode klasifikasi yang memanfaatkan kedekatan jarak antara data untuk menentukan kategori atau label yang tepat.
Dalam algoritma ini, setiap data yang memiliki q dimensi akan diukur jaraknya terhadap data lainnya.
Jarak ukur dalam KNN ini digunakan untuk mengukur tingkat kemiripan antara data uji dengan data latih.
Nilai K dalam KNN menunjukkan jumlah tetangga terdekat yang akan dipertimbangkan dalam menentukan kategori data uji .
Pada penelitian ini metode KNN digunakan karena memiliki kelebihan dapat beradaptasi dengan data yang memiliki derau dan dapat digunakan pada data dengan skala besar.
Penelitian yang berjudul AuSistem Klasifikasi Pengguna Narkoba Menggunakan Metode K-Nearest NeighborAu, membahas kurangnya pengetahuan masyarakat mengenai bahaya narkoba dan gejala-gejala pemakainya sehingga, narkoba kerap kali disalahgunakan oleh penggunanya.
Oleh karena itu, dirancang sistem yang mampu untuk menginformasikan macam dan jenis narkoba, gejala dan penggunanya.
Sistem ini bekerja dengan cara mengelompokkan jenis narkoba yang berdasarkan gejala dengan 3 variabel yaitu perilaku, tampilan fisik serta emosi pengguna.
Penelitian ini menggunakan metode K-Nearest Neighbor karena memiliki kelebihan yaitu data training yang sederhana serta mudah dipelajari, memiliki ketahanan terhadap data yang memiliki derau, dan dapat digunakan meskipun dengan data yang banyak.
Penelitian ini membuktikan bahwa metode KNN dapat digunakan karena dapat melakukan proses klasifikasi dengan cara mengukur jarak paling dekat dari sebagian besar tetangga yang telah dikelompokkan sebelumnya, sehingga dapat mengklasifikaikan pengguna narkoba berdasarkan gejala yang diinputkan oleh user .
Penelitian oleh Tursina et al dalam AuDiagnosis Tahapan Pengguna Narkoba Menggunakan Metode K-Nearest NeighborAu, mengungkapkan narkoba menjadi salah satu obat yang bermanfaat dalam dunia kesehatan, namun sering kali disalahgunakan fungsinya yang berakibat negatif pada penggunanya.
Pengguna narkoba dengan dosis yang tidak tepat dapat mengidap kondisi gangguan kesehatan, mental hingga berakibat kematian.
Tujuan penelitian ini untuk memberikan bantuan dalam diagnosis tahapan awal pengguna narkoba kepada individu yang menggunakan narkoba atau dicurigai menggunakannya, serta memberikan solusi dan saran yang sesuai.
Pada penelitian ini digunakan K-Nearest Neighbor (KNN) sebagai perhitungan kemiripan dan metode Case Based Reasoning (CBR) untuk melakukan pengujian hasil akhir sistem.
Hasil pengujian menghasilkan kinerja metode KNN dengan aplikasi WEKA dengan terbesar yaitu ketika nilai k = 7, yang menghasilkan persentase akurasi 10fold cross validation sebesar 98,333%, dan pengujian confusion matrix sebesar 100% dan nilai AUC 1,000 .
Penelitian dengan judul AuPenentuan Status Stunting Pada Anak Dengan Menggunakan Algoritma KNNAu, membahas tingkat persentase kasus stunting yang tinggi terutama di Jawa Tengah dengan angka 3,77% balita gizi buruk dan stunting serta 13,20% balita dengan gizi kurang dan cenderung stunting.
Berdasarkan dengan tingkat tersebut maka dirancang sebuah sistem yang bertujuan untuk melakukan klasifikasi .
status gizi pada balita.
Penalaran K-Nearest Neighbors digunakan pada penelitian ini karena dapat menghitung jarak terdekat dari sample data uji ke sample data training tanpa menghitung distribusi kemungkinan dari setiap kelas namun KNN akan menghasilkan nilai yang tinggi ketika nilai K yang dipilih sesuai.
Penelitian ini menggunakan 114 data uji dengan variabel umur, berat badan balita, tinggi badan, dan lingkar kepala.
Hasil pengujian didapatkan akurasi pengujian tertinggi pada nilai k=3 yaitu 83% dengan nilai error rate terkecil 0,142 .
Darnila et al dalam penelitiannya yang berjudul AuKlasifikasi Wilayah Rawan Pangan Di Kab Aceh Utara Menggunakan Algoritma K-Nearest NeighborAu membahas kerawanan pangan yang diakibatkan oleh kondisi tidak tersedianya pangan yang cukup bagi masyarakat.
Didaerah Kabupaten Aceh Utara, pengumpulan data untuk Food Security and Vulnerability Atlas (FSVA) yang dilakukan oleh Dinas Pertanian dan Pangan untuk pembuatan peta FSV masih mengalami kesulitan dan memakan waktu yang cukup lama yang mengakibatkan terlambatnya penanganan masalah rawan pangan.
Dalam penelitian tersebut digunakan sebanyak 852 data daerah yang kemudian bagi menjadi 6 prioritas dan dibagi menjadi 2 bagian, 70% data training dan 30% data uji.
Klasifikasi KNN pada penelitian ini menghasilkan tingkat akurasi sebesar 86% berdasarkan perhitungan Eulidean Distance dengan rincian Prioritas 1 memiliki nilai 2,73% yang terdiri dari 7 desa.
Prioritas 2 memiliki nilai 9,37% yang terdiri dari 24 desa.
Prioritas 3 memiliki nilai 1,56% yang terdiri dari 4 desa.
Prioritas 4 memiliki nilai 12,5% yang terdiri dari 32 desa.
Prioritas 5 memiliki nilai 31,25% yang terdiri dari 80 desa, dan Prioritas 6 memiliki nilai 42,57% yang terdiri dari 109 desa .
Penelitian mengenai AuKlasifikasi Kebakaran Hutan Menggunakan Metode K-Nearest Neighbor : Studi Kasus Hutan Provinsi Kalimantan BaratAu bertujuan untuk melakukan klasifikasi kebakaran hutan di provinsi Kalimantan Barat dengan membangun aplikasi REST API yang dapat mendeteksi kebakaran hutan.
Aplikasi yang dirancang menggunakan metode KNN dan Algoritma Balltree untuk mengidentifikasi tetangga terdekat.
Data uji yang digunakan pada penelitian ini sebesar 30%, dan data pelatihan sebesar 70% dari total keseluruhan data yaitu 201 data.
Menggunakan nilai K=18, penelitian ini mendapatkan persentase akurasi keberhasilan sebesar 92% .
Berdasarkan uraian permasalahan dan latar belakang tersebut, maka dilakukan penelitian mengenai klasifikasi daerah rawan narkotika menggunakan di kabupaten Klaten menggunakan K-Nearest Neighboor (KNN).
Penelitian ini bertujuan untuk mengetahui hasil akurasi yang diperoleh dari klasifikasi KNN dan memetakan daerah penyebaran narkotika serta menekan penurunan kasus penyalahgunaan narkoba.
Selain itu, klasifikasi yang dilakukan menggunakan KNN dapat membantu instansi terkait dalam merencanakan program pencegahan, penaggulangan narkoba yang lebih tepat sasaran dan meningkatkan efektivitas pemantauan terhadap upaya penanggulangan narkoba.
BNN atau pemerintah juga dapat mengevaluasi apakah program yang diterapkan berhasil mengurangi tingkat prevalensi narkotika di daerah yang sebelumnya rawan.
Upaya tersebut dilakukan dengan mempertimbangkan alokasi sumber daya yang lebih efisien agar upaya pemberantasan narkoba di Kabupaten Klaten bisa dilakukan dengan lebih terstruktur dan berdampak.
METODE
Secara garis besar, penelitian ini tersusun dengan alur atau langkah-langkah mulai dari pengumpulan data, praproses data, klasifikasi K-Nearest Neighbor, hasil klasifikasi, dan validasi hasil.
Diagram Alur Penelitian ditunjukkan pada Gambar 1 dibawah ini.
Gambar 1.
Alur penelitian Metode pengumpulan data untuk mendukung penelitian ini dibagi menjadi dua, yakni studi literatur dan observasi.
Studi literatur dilakukan dengan mencari berbagai teori yang relevan dari berbagai sumber untuk merancang sistem yang akan dibangun, studi pustaka yang dilakukan adalah dengan mengumpulkan data dari artikel jurnal, buku, dan internet yang relevan dengan penelitian.
Selanjutnya untuk observasi digunakan dataset skunder yang berasal dari catatan daerah rawan narkotika Polres Klaten sepanjang tahun 2022.
Dataset tersebut berjumlah 74 data yang berasal dari 26 kecamatan yang berada dalam lingkup wilayah kabupaten dan kota Klaten.
Jawa Tengah.
Tabel 1.
Dataset daerah rawan narkotika kabupaten Klaten tahun 2022 Data Kasus Narkotika Sepanjang Tahun 2022 Kecamatan Triwulan1 Triwulan2 Triwulan3 Triwulan4 Wonosari Delanggu Tulung Polanharjo Juwiring Karangdowo Ceper Pedan Karanganom Ngawen Klaten Utara Klaten Selatan Klaten Tengah Bayat Kalikotes Karangnongko Kemalang Manisrenggo Prambanan Gantiwarno Wedi Cawas Kebonarum Jatinom Trucuk Jogonalan Jumlah Total Kasus Praproses data adalah tahap menyiapkan data mentah untuk kemudian diproses ke tahapan selanjutnya.
Proses praproses biasanya mengeliminasi data yang tidak valid atau memodifikasi data agar mempermudah proses analisis lebih lanjut .
Praproses data meliputi berbagai kegiatan yang bertujuan untuk memastikan kualitas dan efektivitas pengelompokan data .
Praproses merupakan langkah yang digunakan untuk meminimalisir masalah yang dapat mempengaruhi hasil akhir dari proses klasifikasi .
Dalam preprocessing juga dilakukan pemilihan atribut melalui select attribute dan replace mising guna menghindari adanya kekosongan data dan noise.
Dari seluruh data yang terdapat pada dataset, didapatkan 74 data yang terstruktur, data yang tidak lengkap atau tidak relevan akan dilakukan seleksi dengan menghapus kolom setelah dilakukan pengecekan dan validasi data.
Data yang relevan kemudian disederhanakan dari laporan setiap per bulan menjadi per triwulan.
Tabel 2.
Nilai kategori dan atribut Jumlah Kasus Tahun 2022 0 Ae 1 Kasus 1 Ae 4 Kasus >5 Kasus Atribut Tidak Rawan Rawan Sangat Rawan Tabel 3.
Jumlah data berdasarkan kelas atribut Artibut Tidak Rawan Rawan Sangat Rawan Jumlah Data K-Nearest Neighbor (KNN) merupakan penalaran yang digunakan untuk mengklasifikasikan objek berdasarkan data pembelajaran dengan menggunakan objek terdekat berdasarkan jaraknya .
Metode ini memiliki beberapa kelebihan, diantaranya adalah ketahanan terhadap data yang memiliki derau dan efektif digunakan meskipun oleh data training yang berjumlah besar.
Namun metode KNN juga memiliki kelemahan diantaranya adalah kompleksitas waktu yang cukup lama untuk data training dalam jumlah besar serta cukup peka terhadap atribut yang kurang relevan .
Metode K-NN memiliki rumus perhitungan dan langkah-langkah yang dapat dilihat sebagai berikut:
ycy yccycn = ocycn=1.
cu2ycn Oe ycu1ycn )2 .
Dimana ycu1 merupakan data uji, ycu2 merupakan data sampel, ycn merupakan variabel data, ycc merupakan jarak, dan ycy merupakan dimensi data.
KNN dapat dibagi menjadi dua kriteria berdasarkan jumlah tetangga yang digunakan sebagai acuan perhitungan.
Pertama, 1-NN, di mana pengklasifikasian dilakukan terhadap satu data tetangga yang memiliki label terdekat.
Kedua.
K-NN, di mana pengklasifikasian dilakukan terhadap K data tetangga yang memiliki label terdekat, dengan K harus lebih besar dari 1 dan biasanya bernilai ganjil untuk menghindari hasil yang seimbang.
Algoritma KNN bekerja dengan beberapa langkah utama.
Pertama, menentukan parameter K yang merupakan jumlah tetangga terdekat yang akan digunakan dalam prediksi.
Selanjutnya, hitung jarak antara data baru dengan semua data training yang tersedia.
Setelah jarak tersebut dihitung, urutkan data berdasarkan jarak yang paling kecil hingga terbesar dan pilih K tetangga terdekat berdasarkan urutan tersebut.
Kemudian, periksa kelas dari masing-masing tetangga terdekat yang telah dipilih.
Akhirnya, nilai prediksi untuk data baru ditentukan dengan menggunakan mayoritas sederhana dari kelas-kelas tetangga terdekat tersebut .
HASIL DAN PEMBAHASAN
Proses pertama yang dapat dilakukan yaitu adalah menginputkan data daerah rawan narkotika yang telah File yang diinput berupa file Comma Separated Values (CSV) source code yang digunakan pada proses import data dapat ditunjukkan pada Gambar 3.
Gambar 2.
Import data Setelah melakukan analisa terhadap perancangan klasifikasi daerah rawan narkotika, data akan dilakukan preprocessing dengan langkah-langkah yaitu data cleaning, data itegration dan menghasilkan dataset yang diperlukan untuk perhitungan KNN.
Proses data cleaning dilakukan dengan menghilangkan total kasus perkecamatan tahun 2022 dan total kasus keseluruhan.
Tabel 4.
Rincian data setelah praproses Kecamatan Wonosari Delanggu Tulung Polanharjo Juwiring Karangdowo Ceper Pedan Karanganom Ngawen Klaten Utara Klaten Selatan Klaten Tengah Bayat Kalikotes Karangnongko Kemalang Manisrenggo Prambanan Gantiwarno Wedi Cawas Kebonarum Jatinom Trucuk Jogonalan Triwulan1 Triwulan2 Triwulan3 Triwulan4 Status wilayah Sangat Rawan Rawan Rawan Rawan Tidak Rawan Rawan Sangat Rawan Rawan Rawan Rawan Rawan Sangat Rawan Sangat Rawan Rawan Tidak Rawan Sangat Rawan Tidak Rawan Rawan Rawan Sangat Rawan Rawan Rawan Rawan Tidak Rawan Rawan Sangat Rawan Setelah dilakukan proses preprocessing maka dilakukan perhitungan dataset menggunakan KNN.
Perhitungan dilakukan dengan platform Google Colaboratory (Google Cola.
untuk menjalankan kode Phyton melalui browser seperti Google Chrome.
Gambar 3.
Source code knn Untuk dapat melakukan pengolahan KNN, hal pertama yang dilakukan adalah menentukan nilai k untuk menentukan tetangga terdekat pada data pelatihan.
Penentuan nilai K juga dapat mempengaruhi hasil akurasi klasifikasi yang sedang dilakukan.
Dalam mencari nilai k untuk klasifikasi, disarankan menggunakan nilai k yang berbeda dengan jumlah klasifikasi yang sedang ditinjau.
Misalnya, jika jumlah klasifikasi genap, lebih baik memilih nilai k yang ganjil, dan sebaliknya.
Hal ini penting karena pemilihan yang tepat dapat memastikan hasil yang lebih dapat tepat dalam proses klasifikasi.
Seiring dengan bertambahnya nilai k, rata-rata hasil akurasi akan menurun.
Hal tersebut disebabkan karena semakin banyak data training yang diproses, maka akan meningkatkan kemungkinan terdapat noise pada data.
Pada penelitian ini nilai k yang digunakan adalah 3, 5, 7, dan 9.
Setelah proses tersebut, algoritma K-Nearest Neighbors diterapkan dengan menggunakan fungsi klasifikasi K-Neighbors yang memanfaatkan perhitungan jarak Euclidean.
Gambar 4.
Confusion matrix Setelah proses perhitungan KNN, dilakukan pengujian algoritma menggunakan confusion matrix untuk mengevaluasi kinerja model klasifikasi di Python.
Source kode pada pada Gambar 5 menjelaskan baris pertama mengimpor fungsi confusion_matrix dari modul sklearn.
metrics kemudian di baris kedua terdapat pemanggilan fungsi confusion_matrix dengan parameter y_val dan y_pred.
Hasil dari fungsi ini disimpan dalam variabel matriks, yang merupakan confusion matrix.
Fungsi print.
akan mencetak confusion matrix.
Gambar 5.
Hasil perhitungan akurasi, presisi, recall, dan f1- score Dari data yang telah diujikan, didapatkan hasil klasifikasi sebanyak 1 kecamatan dengan status wilayah Sangat Rawan, 4 kecamatan dengan status wilayah Rawan dan 1 kecamatan dengan status wilayah tidak rawan.
Berdasarkan perhitungan confusion matrix didapatkan hasil akurasi sebesar 1.
00 atau 100%.
Presisi sebesar 1.
atau 100%, recall sebesar 1.
00 atau 100% dan f1-Score sebesar 1.
00 atau 100%.
Tabel 5.
Hasil akurasi data uji
Nilai K
Rata-Rata Akurasi
70,5%
Tabel 4 menunjukkan bahwa akurasi untuk nilai k = 3,5,7, dan 9 yaitu nilai optimal diperoleh pada k =3 dengan akurasi sebesar 100%, sedangkan rata-rata akurasi adalah 70,5%, sistem mendeteksi adanya penurunan pada saat nilai k = 7 dan k = 9 yaitu 66%.
Agar tidak terjadi overfitting pada proses klasifikasi, maka dilakukan penyesuaian nilai k dan menggunakan nilai k yang ditingkatkan.
Gambar 6.
Grafik jumlah kasus narkotika kabupaten Klaten tahun 2022 Untuk melanjutkan dari konsep K-Nearest Neighbors (KNN), dapat divisualisasikan hasilnya dalam bentuk grafik diagram jumlah data kasus narkotika pada tahun 2022 di Kabupaten Klaten.
Visualisasi grafik ini menggambarkan gambaran yang lebih jelas tentang distribusi kasus narkotika dan total jumlah kasus sepanjang 2022, yang menunjukkan puncak atau penurunan yang signifikan, yang dapat membantu dalam memahami dinamika kasus narkotika di Kabupaten Klaten.
KESIMPULAN
Artikel ini menyajikan klasifikasi daerah rawan narkotika menggunakan algoritma k-nearest neighbors, dimana studi kasus yang diambil yakni pada kabupaten Klaten.
Berdasarkan penelitian yang telah dilakukan dengan menguji sebanyak 26 kecamatan di kabupaten Klaten.
Jawa Tengah pada tahun 2022 didapatkan klasifikasi sebanyak 7 kecamatan dengan status wilayah Sangat Rawan, 15 kecamatan dengan status Rawan, dan 7 kecamatan dengan status Tidak Rawan.
Pengujian yang dilakukan dengan metode KNN dengan confusion matrix menghasilkan akurasi sebesar 100%, %.
Presisi 100%, recall 100% dan f1-Score sebesar 100%.
Nilai akurasi yang tinggi tersebut menunjukkan penelitian ini berhasil menerapkan metode KNN dalam melakukan klasifikasi terhadap daerah rawan narkotika di kabupaten Klaten.
Berdasarkan pemaparan penelitian yang telah dilakukan, peneliti berharap agar di penelitian di masa depan untuk dapat memperluas ukuran dan variasi dataset serta peningkatan kualitas data atau pengujian yang dapat dibandingkan dengan metode lain karena ukuran dataset yang tidak terlalu besar.
DAFTAR PUSTAKA