K Nearest Neighbour. Nearest Neighbour Rule Tersedia beberapa data (x,y) yang terklasifikasi menjadi 2 kelas k = 1 k = 3 Diberikan query point q, titik.

Slides:



Advertisements
Presentasi serupa
Teori Graf.
Advertisements

PENYEBARAN DATA Tujuan Belajar :
Kuswanto, Uji Normalitas  Untuk keperluan analisis selanjutnya, dalam statistika induktif harus diketahui model distribusinya  Dalam uji.

Evaluasi kualitas pembelajaran
1 Diagram berikut menyatakan jenis ekstrakurikuler di suatu SMK yang diikuti oleh 400 siswa. Persentase siswa yang tidak mengikuti ekstrakurikuler.
Bab 11A Nonparametrik: Data Frekuensi Bab 11A.
Uji Non Parametrik Dua Sampel Independen
Mari Kita Lihat Video Berikut ini.
Statistika Deskriptif
Uji Hipotesis Beda Dua Rata-Rata Independen
Bab 6B Distribusi Probabilitas Pensampelan
KURVE NORMAL. Distribusi Normal – Suatu alat statistik untuk menaksir dan meramalkan peristiwa-peristiwa yang lebih luas dan akan terjadi. Ciri –Ciri.
LATIHAN SOAL DATA TUNGGAL
MATEMATIKA II Vivi Tri Widyaningrum,S.Kom.
Pert. 4 DISTRIBUSI FREKUENSI *distribusi frekuensi Absolut
PERTEMUAN II DISTRIBUSI FREKUENSI
Median Lambangnya: Mdn, Me atau Mn
Pertemuan 13 Bab 5 Aplikasi Turunan.
Uji Normalitas.
DISTRIBUSI FREKUENSI oleh Ratu Ilma Indra Putri. DEFINISI Pengelompokkan data menjadi tabulasi data dengan memakai kelas- kelas data dan dikaitkan dengan.
Soal Latihan.
DATA STATISTIK.
Pengujian Hypotesis - 3 Tujuan Pembelajaran :
Distribusi Normal Distribusi normal memiliki variable random yang kontinus. Dimana nilai dari variable randomnya adalah bilang bulat dan pecahan. Probabilitas.
Computer Vision Materi 8
Klasifikasi (Season 2) Nearest Neighbor
Klasifikasi (Season 1) Naive Bayes
DATA MINING 1.
PRAKTIKUM STATISTIKA Pertemuan 2.
NILAI RATA-RATA (CENTRAL TENDENCY)
UKURAN PEMUSATAN DATA Sub Judul.
PENDUGAAN STATISTIK Tita Talitha, MT.
Probabilita Tujuan pembelajaran :
Graf.
Algoritma Pemrograman
DISTRIBUSI FREKUENSI.
Teknik Numeris (Numerical Technique)
Distribusi frekuensi Yeni puspita, SE., ME.
DISTRIBUSI PELUANG Pertemuan ke 5.
UJI CHI SQUARE (2) Oleh : Soenarnatalina.
Pertemuan 3 JARINGAN PERCEPTRON
1 Pertemuan 8 Klasifikasi dan Rekognisi Pola (2) Matakuliah: T0283 – Computer Vision Tahun: 2005 Versi: Revisi 1.
ALHURIYAH :Aplikasi Pengenalan Huruf Hijaiyah Berbasis speech recognition Menggunakan Mel Frequency Cepstral Coefficients (MFCC) Kelompok 10 Dian.
Decision Tree.
Klasifikasi.
MATA KULIAH S T A T I S T I K.
Algoritma C4.5. Algoritma C4.5 Object-Oriented Programming Introduction Algoritma C4.5 merupakan algoritma yang digunakan.
PENGUKURAN Pengukuran :pemberian “angka” terhadap fenomena dengan mengikuti aturan tertentu Proses pengukuran : investigasi mengenai ciri-ciri yang mendasari.
Peta kendali atribut (lanjutan)
Algoritma kNN (k-Nearest Neighbor)
K-Nearest Neighbor dan K-means
LATIHAN MENGUKUR NILAI DISPERSI
Clustering (Season 1) K-Means
Oleh : Devie Rosa Anamisa
Contoh soal & info lain File teks dan biner.
Classification Supervised learning.
Analisis Klastering K-Means Model Datamining Kelompok 1 Eko Suryana
PRODI MIK | FAKULTAS ILMU-ILMU KESEHATAN
Algoritma kNN (k-Nearest Neighbor)
DISTRIBUSI FREKUENSI   DISTRIBUSI FREKUENSI ADALAH TABEL FREKUENSI YANG MENGELOMPOKKAN DATA YANG BELUM TERKELOMPOK KE DALAM KELAS - KELAS SEHINGGA MENJADI.
Klasifikasi Nearest Neighbor
KLASIFIKASI.
TEKNIK INFORMATIKA UNIVERSITAS ATMA JAYA YOGYAKARTA
Studi kasus : titik berat pada jembatan.
K-Nearest Neighbourhood (KNN)
IMPLEMENTASI ALGORITMA k-NN
Intro Algoritma K-Nearest Neighbor (K- NN) adalah sebuah metode klasifikasi terhadap sekumpulan data maupun dokumen berdasarkan pembelajaran  data yang.
Algoritma kNN (k-Nearest Neighbor)
Transcript presentasi:

K Nearest Neighbour

Nearest Neighbour Rule Tersedia beberapa data (x,y) yang terklasifikasi menjadi 2 kelas k = 1 k = 3 Diberikan query point q, titik ini akan ditentukan masuk ke kelas mana Menghitung sejumlah k tetangga terdekatnya dan menentukan kelas dari query point tsb dengan majority vote

Matlab Class = knnclassify(Sample, Training, Group) Class = knnclassify(Sample, Training, Group, k) Sample : Matrik yang setiap barisnya merupakan titik-titik kueri Training : Data yang diberikan sebagai calon neighbour dari kueri Group : Matrik hasil klasifikasi dari Training k : Berapa nearest neigbour yang akan dihitung. Defaultnya 1. k=3 berarti 3 Nearest Neighbour

Contoh sample = [.9.8;.1.3;.2.6] training=[0 0;.5.5;1 1] group=[3;2;1] Diberikan titik-titik training yang diklasifikasikan sesuai matrik group. Jika ada matrik sample yang tiap barisnya merupakan titik-titik kueri. Bagaimana klasifikasi untuk matrik sample? Gunakan 3NearestNeigbour

Data Fisik Mahasiswa Diberikan 2 Kluster Pria dan Wanita Data tinggi dan berat diketahui sbb Tini Tino Rini Rino Dini Dino Tentukan clusterisasi data di atas dengan kmeans. Jika ada data mahasiswa baru sbb Mhs A Mhs B 172,58 Mhs C 159, 55. Masuk ke cluster manakah mahasiswa tsb (gunakan kNN)

Buat Grafiknya seperti ini (x merupakan data baru)