Metode knn
-
Upload
umar-dpayist -
Category
Data & Analytics
-
view
191 -
download
0
Transcript of Metode knn
![Page 1: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/1.jpg)
Algoritma kNN(k-Nearest Neighbor)
![Page 2: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/2.jpg)
Deskripsi kNN
• KNN adalah sebuah metode klasifikasiterhadap sekumpulan data berdasarkanpembelajaran data yang sudahterklasifikasikan sebelumya.
• Termasuk dalam supervised learning, dimanahasil query instance yang baru diklasifikasikanberdasarkan mayoritas kedekatan jarak darikategori yang ada dalam KNN.
![Page 3: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/3.jpg)
Deskripsi kNN
• Diberikan titik query, akan ditemukansejumlah k obyek atau (titik training) yang paling dekat dengan titik query.
• Klasifikasi menggunakan voting terbanyakdiantara klasifikasi dari k obyek
• Algoritma k-nearest neighbor (KNN) menggunakan klasifikasi ketetanggaan sebagainilai prediksi dari query instance yang baru.
![Page 4: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/4.jpg)
Ukuran Jarak
• Dekat atau jauhnya tetangga biasanyadihitung berdasarkan Euclidean Distance.
• Dimana D(a,b) adalah jarak skalar dari dua buah vektor data a dan b yang berupa matrik berukuran d dimensi.
![Page 5: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/5.jpg)
Algoritma
1. Menentukan parameter k (jumlah tetanggapaling dekat).
2. Menghitung kuadrat jarak eucliden objekterhadap data training yang diberikan.
3. Mengurutkan hasil no 2 secara ascending4. Mengumpulkan kategori Y (Klasifikasi nearest
neighbor berdasarkan nilai k)5. Dengan menggunakan kategori nearest neighbor
yang paling mayoritas maka dapat dipredisikankategori objek .
![Page 6: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/6.jpg)
Contoh 1
• Terdapat beberapa data yang berasal darisurvey questioner tentang klasifikasi kualitas kertas tissue apakah baik atau jelek, dengan objek training menggunakan dua attribute yaitu daya tahan terhadap asam dankekuatan.
![Page 7: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/7.jpg)
Contoh 1
• Akan diproduksi kembali kertas tisu dengan attribute
X1=7 dan X2=4 tanpa harus mengeluarkan biaya untuk
melakukan survey, maka dapat diklasifikasikan kertastise tersebut termasuk yang baik atau jelek.
![Page 8: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/8.jpg)
![Page 9: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/9.jpg)
![Page 10: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/10.jpg)
Contoh 2
• Tentukan class dari test data dengan nilaiatribut (50,3,40)
![Page 11: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/11.jpg)
![Page 12: Metode knn](https://reader034.fdocuments.net/reader034/viewer/2022052215/55a1073c1a28ab866a8b458a/html5/thumbnails/12.jpg)