More Related Content
What's hot (20)
Viewers also liked (17)
Recently uploaded (20)
Contoh knn
- 1. ALGORITMA NEAREST NEIGHBOR A. Algoritma Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Misalkan diinginkan untuk mencari solusi terhadap seorang pasien baru dengan menggunakan solusi dari pasien terdahulu. Untuk mencari kasus pasien mana yang akan digunakan maka dihitung kedekatan kasus pasien baru dengan semua kasus pasien lama. Kasus pasien lama dengan kedekatan terbesar-lah yang akan diambil solusinya untuk digunakan pada kasus pasien baru. d2 Baru B A d1 Gambar 4.1 Ilustrasi Kedekatan Kasus Seperti tampak pada Gambar 4.1. Ada 2 pasien lama A dan B. Ketika ada pasien Baru, maka solusi yang akan diambil adalah solusi dari pasien terdekat dari pasien Baru. Seandainya d1 adalah kedekatan antara pasien Baru dan pasien A, sedangkan d2 adalah kedekatan antara pasien Baru dengan pasien B. Karena d2 lebih dekat dari d1 maka
- 2. solusi dari pasien B lah yang akan digunakan untuk memberikan solusi pasien Baru. Adapun rumus untuk melakukan penghitungan kedekatan antara 2 kasus adalah sebagai berikut: f T S x w i n i i i i w similarity T S Σ= = 1 ( , ) ( , ) dengan T : kasus baru S : kasus yang ada dalam penyimpanan n : jumlah atribut dalam masing-masing kasus i : atribut individu antara 1 s/d n f : fungsi similarity atribut i antara kasus T dan kasus S w : bobot yang diberikan pada atribut ke i Kedekatan biasanya berada pada nilai antara 0 s/d 1. Nilai 0 artinya kedua kasus mutlak tidak mirip, sebaliknya untuk nilai 1 kasus mirip dengan mutlak. Kasus : Kemungkinan seorang nasabah bank akan bermasalah dalam pembayarannya atau tidak Tabel 1 Tabel Kasus No Jenis Kelamin Pendidikan Status Bermasalah 1 L S1 Bekerja Ya 2 P SMA Tidak Bekerja Tidak 3 L SMA Bekerja Tidak 4 P S2 Bekerja Ya Atribut Bermasalah merupakan atribut tujuan.
- 3. Bobot antara satu atribut dengan atribut yang lain pada atribut bukan tujuan dapat didefinisikan dengan nilai berbeda. Tabel 2 Definisi Bobot Atribut Atribut Bobot Jenis Kelamin 0.5 Pendidikan 1 Status 0.75 Kedekatan antara nilai-nilai dalam atribut juga perlu didefinisikan. Tabel 3 Kedekatan Nilai Atribut Jenis Kelamin Jenis Kelamin L P L 1 0 P 0 1 Nilai1 Nilai2 Kedekatan L L 1 P P 1 L P 0 P L 0 Tabel 4 Kedekatan Nilai Atribut Pendidikan Pendidikan SMA S1 S2 SMA 1 0.5 0 S1 0.5 1 0.5 S2 0 0.5 1 Nilai1 Nilai2 Kedekatan S2 S2 1 S2 S1 0.5 S2 SMA 0 S1 S1 1 S1 S2 0.5 S1 SMA 0.5
- 4. SMA SMA 1 SMA S1 0.5 SMA S2 0 Tabel 5 Kedekatan Nilai Atribut Status Status Bekerja Tidak Bekerja Bekerja 1 0 Tidak Bekerja 0 1 Nilai1 Nilai2 Kedekatan Bekerja Bekerja 1 Tidak Tidak Bekerja Bekerja 1 Bekerja Tidak Bekerja 0 Tidak Bekerja Bekerja 0 Misalkan ada kasus nasabah baru dengan nilai atribut: Jenis Kelamin : L Pendidikan : SMA Status : Tidak Bekerja Untuk memprediksi apakah nasabah tersebut akan bermasalah atau tidak dapat dilakukan langkah-langkah sebagai berikut: 1. Menghitung kedekatan kasus baru dengan kasus no 1. Diketahui: a : Kedekatan nilai atribut Jenis Kelamin (Laki-laki dengan Laki-laki) : 1
- 5. b : Bobot Atribut Jenis Kelamin : 0.5 c : Kedekatan nilai atribut Pendidikan (SMA dengan S1) : 0.5 d : Bobot Atribut Pendidikan : 1 e : Kedekatan nilai atribut Status (Tidak Bekerja dengan Bekerja) : 0 f : Bobot Atribut Status : 0.75 Dihitung: = ( a * b ) + ( c * d ) + ( e * f ) b d f Jarak + + = + + Jarak (1*0.5) (0.5*1) (0*0.75) + + 0.5 1 0.75 1 Jarak = Jarak = 0.44 2.25 2. Menghitung kedekatan kasus baru dengan kasus no 2. Diketahui: a : Kedekatan nilai atribut Jenis Kelamin (Laki-laki dengan Perempuan) : 0 b : Bobot Atribut Jenis Kelamin : 0.5 c : Kedekatan nilai atribut Pendidikan (SMA dengan SMA) : 1 d : Bobot Atribut Pendidikan : 1
- 6. e : Kedekatan nilai atribut Status (Tidak Bekerja dengan Tidak Bekerja) : 1 f : Bobot Atribut Status : 0.75 Dihitung: = ( a * b ) + ( c * d ) + ( e * f ) b d f Jarak + + = + + Jarak (0*0.5) (1*1) (1*0.75) + + 0.5 1 0.75 1.75 Jarak = 2.25 Jarak = 0.778 3. Menghitung kedekatan kasus baru dengan kasus no 3. Diketahui: a : Kedekatan nilai atribut Jenis Kelamin (Laki-laki dengan Laki-Laki) : 1 b : Bobot Atribut Jenis Kelamin : 0.5 c : Kedekatan nilai atribut Pendidikan (SMA dengan SMA) : 1 d : Bobot Atribut Pendidikan : 1 e : Kedekatan nilai atribut Status (Tidak Bekerja dengan Bekerja) : 0 f : Bobot Atribut Status : 0.75
- 7. Dihitung: = ( a * b ) + ( c * d ) + ( e * f ) b d f Jarak + + = + + Jarak (1*0.5) (1*1) (0*0.75) + + 0.5 1 0.75 1.5 Jarak = 2.25 Jarak = 0.667 4. Menghitung kedekatan kasus baru dengan kasus no 3. Diketahui: a : Kedekatan nilai atribut Jenis Kelamin (Perempuan dengan Laki-Laki) : 0 b : Bobot Atribut Jenis Kelamin : 0.5 c : Kedekatan nilai atribut Pendidikan (SMA dengan S2) : 0 d : Bobot Atribut Pendidikan : 1 e : Kedekatan nilai atribut Status (Tidak Bekerja dengan Bekerja) : 0 f : Bobot Atribut Status : 0.75 Dihitung: = ( a * b ) + ( c * d ) + ( e * f ) b d f Jarak + + = + + Jarak (0*0.5) (0*1) (0*0.75) + + 0.5 1 0.75
- 8. 0 Jarak = Jarak = 0 2.25 5. Memilih kasus dengan kedekatan terdekat. Dari langkah 1, 2 dan 3 dapat diketahui bahwa nilai tertinggi adalah kasus 2. Berarti kasus yang terdekat dengan kasus baru adalah kasus 2. 6. Menggunakan klasifikasi dari kasus dengan kedekatan terdekat. Berdasarkan hasil pada langkah 4, maka klasifikasi dari kasus 2 yang akan digunakan untuk memprediksi kasus baru. Yaitu kemungkinan nasabah baru akan Tidak Bermasalah