penjelas dan pengertian K-Nearest Neighbor

K-Nearest Neighbor

Algoritma K-Nearest Neighbor (KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Teknik ini sangat sederhana dan mudah diimplementasikan. Mirip dengan teknik clustering, yaitu mengelompokkan suatu data baru berdasarkan jarak data baru itu ke beberapa data/tetangga terdekat. Pertama sebelum mencari jarak data ke tetangga adalah menentukan nilai K tetangga (neighbor). Lalu, untuk mendefinisikan jarak antara dua titik yaitu titik pada data training dan titik pada data testing, maka digunakan rumus Euclidean dengan persamaan : 

 [1]

Keterangan:

d (a,b) : jarak Euclidian

x : data 1

y : data 2

i : fitur ke -

n : jumlah fitur

Tujuan dari algoritma ini adalah mengklasifikasikan obyek berdasarkan atribut dan training sample. Clasifier tidak menggunakan apapun untuk dicocokkan dan hanya berdasarkan pada memori. Diberikan titik query, akan ditemukan sejumlah k obyek atau (titik training) yang paling dekat dengan titik query. Klasifikasi menggunakan voting terbanyak diantara klasifikasi dari k obyek.  Algoritma K-Nearest Neighbor (K-NN) menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari query instance yang baru. algoritma ini dianggap mampu menyelesaikan masalah klasifikasi yang sederhana. 
pada algoritma ini setiap data harus ditentukan kelasnya dan setiap kelas harus memiliki label. mungkin untuk sebagian data tanpa label akan sulit menentukan label jika akan menggunakan algoritma ini. algoritma ini dianggap lebih mudah digunakan jika data sudah memiliki label.

#klasifikasi #Algoritma #KNN #rumusKNN #PengertianKNN #penjelasanKNN

sumber : 

[1]

N. N. Dzikrulloh, Indriati dan B. D. Setiawan, “Penerapan Metode K–Nearest Neighbor (KNN) dan Metode Weighted Product (WP) Dalam Penerimaan Calon Guru Dan Karyawan Tata Usaha Baru Berwawasan Teknologi (Studi Kasus : Sekolah Menengah Kejuruan Muhammadiyah 2 Kediri),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 5, pp. 378-385, 2017.