Escolar Documentos
Profissional Documentos
Cultura Documentos
Eko Prasetyo
Teknik Informatika
Universitas Muhammadiyah Gresik
2012
Konsep Klasifikasi
Klasifikasi
Konsep Klasifikasi
Klasifikasi
Learning
Learning
Metode Pembelajaran
Eager
Learning
Misal: ANN, SVM, Decision Tree, Bayesian, dsb.
Any random movement
=>Its a mouse
I saw a mouse!
Metode Pembelajaran
Lazy
Learning
Misal: K-NN, Fuzzy K-NN, Fuzzy K-NNC, Weighted Regression,
Case-based reasoning, dsb.
K-NEAREST
NEIGHBOR (K-NN)
K-Nearest Neighbor
Algoritma
K-Nearest Neighbor
Algoritma K-NN
z
10
Data latih
Contoh
8
6
4
2
0
Data
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
X
1
2
3
3
7
1
2
5
4
6
1
6
1
4
5
2
4
Y
1
1
1
2
2
3
3
3
4
4
5
5
6
6
6
7
7
Kelas
0
0
0
0
1
0
0
1
1
1
0
1
0
1
1
1
1
11
Kelas
asli
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
1
2
3
3
7
1
2
5
4
6
1
6
1
4
5
2
4
1
1
1
2
2
3
3
3
4
4
5
5
6
6
6
7
7
0
0
0
0
1
0
0
1
1
1
0
1
0
1
1
1
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
1
1
1
1
0
1
0
0
1
0
0
0
12
Evaluasi K-NN
Algoritma
Tidak
Pada ANN (Artificial Neural Network) yang berusaha menekan fitur yang
tidak punya kontribusi terhadapklasifikasi menjadi 0 pada bagian bobot,
NN tidak ada bobot untuk masing-masing fitur.
Menyimpan
Hal
14
FUZZY K-NEAREST
NEIGHBOR (FK-NN)
15
Fuzzy K-NN
K-NN
Nilai keanggotaan
2
u ( xk , ci ) * d ( x, xk ) (m1)
u ( x, ci ) k 1
2
K
d ( x, xk ) (m1)
k 1
K
d ( xi , x j )
1
p p
xil x jl
18
Algoritma FK-NN
Normalisasikan
1
p p
l 1
d ( xi , x j )
xil x jl
Hitung
19
Data latih
Contoh
8
6
4
2
0
Data
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
X
1
2
3
3
7
1
2
5
4
6
1
6
1
4
5
2
4
Y
1
1
1
2
2
3
3
3
4
4
5
5
6
6
6
7
7
Kelas
0
0
0
0
1
0
0
1
1
1
0
1
0
1
1
1
1
20
Kelas
asli
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
1
2
3
3
7
1
2
5
4
6
1
6
1
4
5
2
4
1
1
1
2
2
3
3
3
4
4
5
5
6
6
6
7
7
0
0
0
0
1
0
0
1
1
1
0
1
0
1
1
1
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
1
1
1
1
0
1
0
0
1
0
0
0
21
Untuk K=1
Data uji (3,4)
diprediksi masuk
kelas 1.
Untuk K=3
Data uji (3,4)
diprediksi masuk
kelas 1.
Untuk K=7
Data uji (3,4)
diprediksi masuk
kelas 1.
Jarak
2
Nomor
Kelas data uji 1x y
m1
data
asli ke data NN d
latih
1
1 1
0
3.6055 0
2
2 1
0
3.1622 0
3
3 1
0
3
0
4
3 2
0
2
0
5
7 2
1
4.4721 0
6
1 3
0
2.236
0
7
2 3
0
1.4142 0
8
5 3
1
2.236
0
9
4 4
1
1
1
1
10
6 4
1
3
0
11
1 5
0
2.236
0
12
6 5
1
3.1622 0
13
1 6
0
2.8284 0
14
4 6
1
2.236
0
15
5 6
1
2.8284 0
16
2 7
1
3.1622 0
17
4 7
1
3.1622 0
Jumlah kelas 0
0
Jumlah kelas 1
1
Jumlah
1
Nilai keanggotaan di kelas 0
0
Nilai keanggotaan di kelas 1
1
3NN
0
0
0
1
0
0
1
0
1
0
0
0
0
0
0
0
0
2
d m1
0.25
0.5
1
0.75
1.00
1.75
0.4286
0.5714
7NN
0
0
0
1
0
1
1
1
1
0
1
0
0
1
0
0
0
2
d m1
0.2500
0.2000
0.5000
0.2000
1.0000
0.2000
0.2000
1.1500
1.4000
2.5501
0.4510
0.5490
22
FUZZY K-NEAREST
NEIGHBOR IN EVERY
CLASS (FK-NNC)
23
Framework FK-NNC
8
Diperkenalkan
6
4
2
0
uij 1 , 0 uij 1
j 1
Framework FK-NNC
Contd
Jarak
Sij d ( xi , xr )
r 1
(4)
akumulasi
Di
Sij m1
(5)
j 1
Nilai m disini merupakan pangkat bobot (weight exponent) seperti pada FKNN, nilai m > 1.
Untuk
uij
Untuk
Di
(6)
Algoritma FK-NNC
Cari
Hitung
Data latih
Contoh
8
6
4
2
0
Data
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
X
1
2
3
3
7
1
2
5
4
6
1
6
1
4
5
2
4
Y
1
1
1
2
2
3
3
3
4
4
5
5
6
6
6
7
7
Kelas
0
0
0
0
1
0
0
1
1
1
0
1
0
1
1
1
1
27
1
2
3
3
7
1
2
5
4
6
1
6
1
4
5
2
4
1
1
1
2
2
3
3
3
4
4
5
5
6
6
6
7
7
Kelas
asli
0
0
0
0
1
0
0
1
1
1
0
1
0
1
1
1
1
Setelah diurutkan
Nomor
data
7
4
6
11
13
3
2
1
9
8
14
15
10
12
16
17
5
2
3
1
1
1
3
2
1
4
5
4
5
6
6
2
4
7
3
2
3
5
6
1
1
1
4
3
6
6
4
5
7
7
2
1.414
2
2.236
2.236
2.828
3
3.162
3.606
1
2.236
2.236
2.828
3
3.162
3.162
3.162
4.472
28
Nomor
Untuk K=1
data
Data uji (3,4)
7
diprediksi masuk 4
6
kelas 1.
11
Untuk K=3
13
3
Data uji (3,4)
diprediksi masuk 2
1
kelas 1.
9
8
Untuk K=3
14
Data uji (3,4)
15
diprediksi masuk 10
12
kelas 0.
16
17
Untuk K=7
5
29
ANY QUESTIONS ?
30