@thesis{thesis,
		author={Agatha  Salsabilla},
		title ={PERBANDINGAN JARAK EUCLIDEAN DISTANCE DAN COSINE SIMILARITY 
PADA ALGORITMA K-NEAREST NEIGHBOR UNTUK KLASIFIKASI JURNAL 
INTERNASIONAL},
		year={2024},
		url={http://eprints.upnyk.ac.id/40536/},
		abstract={Dengan semakin banyaknya jurnal ilmiah yang dipublikasikan secara daring, kebutuhan 
akan sistem klasifikasi kategori jurnal yang efisien dan akurat menjadi sangat penting. 
Dalam mengklasifikasi jurnal dibutuhkan 2 parameter utama yaitu judul dan abstrak. Pada 
penelitian ini dilakukan 4 tahap. Pertama, pre-processing dataset yang mencakup case 
folding, tokenizing, stopword removal, dan stemming. Kedua, dilakukan pembobotan kata 
menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Setelah 
pembobotan, dilakukan penerapan algoritma K-Nearest Neighbor (K-NN). Di salah satu 
proses K-NN terdapat perhitungan jarak metriks. Pada penelitian ini perhitungan jarak 
cosine similarity dan euclidean distance dibandingkan. Hasil penelitian menunjukkan bahwa 
terdapat perbedaan dalam kinerja algoritma K-Nearest Neighbor (K-NN) berdasarkan kedua 
metode perhitungan jarak tersebut. Terakhir, pengujian dengan confusion matrix. Cosine 
similarity cenderung memberikan hasil yang lebih baik dalam mengukur kemiripan antar 
dokumen teks, terutama dalam konteks klasifikasi teks yang melibatkan banyak dimensi dan 
variasi kata. Hasil akurasi terbesar oleh cosine similarity sebesar 0,8249 pada k = 23. Di sisi 
lain, euclidean distance, meskipun sederhana dan intuitif, kurang efektif dalam menangani 
data teks yang memiliki dimensi tinggi. Hasil akurasi terbesar oleh euclidean distance 
sebesar 0,8209 pada k = 23.
Kata kunci: K-Nearest Neighbor (K-NN), Cosine Similarity, Euclidean Distance, Jarak 
metriks, Text mining, Jurnal}
		}