Mechine learning Pertemuan Ke-XII, XIII , XIV

 

Mechine learning Pertemuan Ke-XII, XIII , XIV

 Resume mechine learning pertemuan ke 12,13,14

 

PYTHON MACHINE LEARNING : K-Nearest Neighboor (K-NN)

Pertemuan Ke-XII, XIII , XIV

Metode pembelajaran dalam mechine learning: 

Supervised learning

Algoritmanya : decision tree, regresi linear, k-nearest neighbor, Bayesian , neural network, dll. 

Insupervised learning

Semi supervised learning

Reinforcement learning

Apa itu K-NN? Adalah salah satu algoritma untuk klasifikasi data suatu obyek berdasarkan sejumlah K-data training yang memiliki jarak paling dekat (nearest neighbor)dengan objek tersebut(wahyono, 2018”Phyton for machine Learning”). Untuk menentukan jauh dekatnya tetangga, biasanya di hitung berdasarkan jarak Euclidean(d) dengan rumus sbb: 

d= 2+(y2-y1)2

contoh kasus :

prediksi apakah seseorang bisa lulus S2tepat waktu berdasarkan variabel IPK S1 dan usia masuk kuliah S2. 

Data training yang digunakan: sejumlah data mahasiswa yang lulus tepat waktu dan yang tidak tepat waktu berdasarkan IPK S1 dan usia.

Pertama misalnya :

K=3 ( diperoleh 2 tetangga tepat waktu dan 1 tetangga yang tidak tepat waktu ) sehingga, hasil prediksi Bejo lulus tepat waktu karena tetangga yang lulus tepat waktu lebih banyak daripada yang tidak.

Langkah –langkah algoritma K-NN:

Menentukan parameter K, bilangan bilat positif sebagai nearest neighbors (banyaknya tetangga terdekat)

Hitung jarak antara data baru dan semua data yang ada didata training

Menentukan K tetangga berdasarkan jarak minimum 

Tetangga yang memiliki frekuensi terbanyak diambil sebagai nilai prediksi atau hasil klasifikasi dari data baru tersebut. 

Latihan python

Klasifikasi bunga IRIS (bunga Pelangi)

Terdapat 3 jenis bunga iris yang agak susah dikenali yaitu setosa, versicolor, dan virginica. Untuk itu akan dibuat sebuah program dengan K-NN untuk memprediksi sebuah bunga iris, masuk kelompok yang mana. 

Data traini 

Data training adalah sejumlah data yang menunjukkan jenis bunga berdasarkan ukuran petal dan sepal dari bunga tersebut. 

Contoh melakukan prediksi :

#data yang akan di prediksi

Data = [[6.2, 1.5, 4.2, 2.6]]

#data yang akan di prediksi berdasarkan 

Y_pred= knn.predict(Data)

#mencetak hasil prediksi 

#hasil 0 adalah setosa

#hasil 1 adalah versicolor

#hasil 2 adalah virginica

Print(“Hasil Prediksi : JenisBunga” , Y_pred)

Hasil prediksi: jenis bunga [2]

Nama : TRISNO ADITIA 

Nim : 18.01.013.130