Sinopsis
Menurut wikipedia diterangkan sebagai berikut: Algoritma k-nearest neighbor (k-NN atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut.Data pembelajaran diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pembelajaran. Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat titk tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak Euclidean. Ref: https://id.wikipedia.org/wiki/KNN, Kalian bisa mengunjungi link berikut mengenai perhitungan dan langkah-langkahnya
- http://www.scholarpedia.org/article/K-nearest_neighbor
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2243774/?page=1
- https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Original)
- http://me.seekingqed.com/files/intro_KNN.pdf
- http://dataaspirant.com/2016/12/23/k-nearest-neighbor-classifier-intro/
- untuk lebih jelasnya di http://people.revoledu.com/kardi/tutorial/KNN/KNN_Numerical-example.html
Persiapan Data
Agar lebih mudah memahami, saya sediakan contoh. Didapatkan sebuah hasil mengenai sebuah survey mengenai kualitas jenis tisu yaitu bagus dan jelek yang didasarkan pada 2 paramater yaitu tingkat keasamaan dan kekuatan mudah robek.
Perusahaan ingin membuat tisu dengan karakteristik X1= 3, dan X2 = 7, termasuk manakah jenis tersebut? Berdasarkan informasi mengenai table diatas?
Normalisasi Data
Tentu kita harus mengubah data diatas untuk bisa dipahami oleh komputer dengan mengubah good menjadi bernilai 1 dan bad menjadi 0.
Lebih mudah jika kita simpan dalam bentuk excel seperti berikut disimpan dengan nama data latih.xlsx
Code Matlab
Berikut kode dan function yang digunakan didalam matlab yaitu classify
clc;clear all;close all;
[data,header] = xlsread('data latih.xlsx');
X1 = 3;
X2 = 7;
test = [X1 X2];
hasil =classify(test,[data(:,1),data(:,2)],data(:,3));
if hasil==1
disp(['good']);
else
disp(['bad']);
end
hasil
good
Cukup mudah bukan? Bila kita membuat dalam versi GUI akan menjadi mudah seperti berikut
