Selamat malam sobat ketutrare, bagaimana kabar sobat semua ? semoga selalud alam keadaan baik dan sukses. Kali ini kita akan membahas mengenai Algoritma K-Nearest Neighbor dan Contoh Soal, tanpa berlama-lama mari kita mulai untuk pembahasannya.
Pengertian K-Nearest Neighbor [KNN]
K-Nearest Neighbor atau yang sering disingkat dengan KNN adalah salah satu algoritma yang digunakan untuk melakukan klasifikasi terhadap objek berdasarkan dari data pembelajaran [data training] yang jaraknya paling dekat dengan objek tersebut. Tujuan dari algoritma KNN adalah mengklasifikasikan objek baru berdasarkan atribut dan sampel-sampel dari data training.
KNN adalah algoritma supervised learning yang maksudnya algoritma ini menggunakan data yang telah ada dan outputnya telah diketahui. KNN banyak dipergunakan pada aplikasi data mining, pattern recognition, image processing, dll.
Algoritma Perhitungan KNN
- Menentukan parameter K sebagai banyaknya jumlah tetangga terdekat dengan objek baru.
- Menghitung jarak antar objek/data baru terhadap semua objek/data yan gtelah di training.
- Urutkan hasil perhitungan tersebut.
- Tentukan tetangga terdekat berdasarkan jarak minimum ke K.
- Tentukan kategori dari tetangga terdekat dengan objek/data.
- Gunakan kategori mayoritas sebagai klasifikasi objek/data baru.
Contoh soal Perhitungan KNN
Diberikan data Training berua dua atribut Bad dan Good untuk mengklasiikasikan sebuah data apakah tergolong Bad atau Good , berikut ini adalah contoh datanya :
| contoh data training |
Kita diberikan data baru yang akan kita klasifikasikan, yaitu X = 3 dan Y = 5. Jadi termasuk klasifikasi apa data baru ini ? Bad atau Good ?
Langkah penyelesaian
Pertama, Kita tentukan parameter K. Misalnya kita buat jumlah tertangga terdekat K = 3.
Ke-dua, kita hitung jarak antara data baru dengan semua data training. Kita menggunakan Euclidean Distance. Kita hitung seperti pada table berikut :
| perhitungan jarak dengan euclidean distance |
Untuk perhitungan Euclidean Distance dapat sobat baca pada postingan sebelumnya [Klik disini].
Ke-tiga, kita urutkan jarak dari data baru dengan data training dan menentukan tetangga terdekat berdasarkan jarak minimum K.
| pengurutan jarak terdekat data baru dengan data training |
Dari kolom 4 [urutan jarak] kita mengurutkan dari yang terdekat ke terjauh antara jarak data baru dengan data training. ada 2 jarak yang sama [yaitu 4] pada data baris 2 dan baris 6, sehingga memiliki urutan yang sama. Pada kolom 5 [Apakah termasuk 3-NN?] maksudnya adalah K-NN menjadi 3-NN , karena nilai K ditentukan sama dengan 3.
Ke-empat, tentukan kategori dari tetangga terdekat. Kita perhatikan baris 3, 4, dan 5 pada gambar sebelumnya
[diatas]. Kategori Ya diambil jika nilai K Bad] tersebut kita simpulkan bahwa data baru [X=3 dan Y=5] termasuk dalam kategori Good.
Demikian materi mengenai Algoritma K-Nearest Neighbor dan Contoh Soal. Semoga materi kali ini memberikan pencerahan dan menambah ilmu sobat ketutrare. Untuk materi lengkapnya silahkan sobat download pada link dibawah. Terimakasih.