Klasifikasi.

Presentasi berjudul: "Klasifikasi."— Transcript presentasi:

1 Klasifikasi

2 Klasifikasi Klasifikasi merupakan suatu pekerjaan menilai objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia (Eko Prassetyo,2012). Klasifikasi merupakan pekerjaan yang melakukan pelatihan terhadap fungsi target f yang memetakan setiap set attribut x ke satu dari sejumlah label kelas y yang tersedia.

3 Pekerjaan Klasifikasi
Pembangunan model sebagai prototipe untuk disimpan sebagai memory. Penggunaan model untuk melakukan pengenalan/klasifikasi/prediksi pada suatu objek data lain agar diketahui di kelas mana objek data tersebut berada berdasarkan model yang ada.

4 Pekerjaan Klasifikasi
Input Data training(x,y) Algoritma Pelatihan Pembangunan Model Penerapan Model Output Data testing (x,y) Input Data testing (x)

5 Algoritma Pelatihan Pembangunan model selama proses pelatihan memerlukan algoritma (algoritma pelatihan,K-Nearest Neighbor,Artificial Neural Network,Support Vector Machine) Berdasarkan cara pelatihan: Eager learner Melakukan pembacaan pd data training untuk menghasilkan model. Proses prediksi dilakukan dengan model tsb. (contoh ANN,SVM,Decision Tree,Bayesian) Lazy learner Sedikit melakukan pelatihan(tdk sama sekali) hanya menyimpan sebagian/seluruh data latih kemudian menggunakannya dlm proses prediksi (contoh K-Nearest Neighbour,Fuzzy K-NN,Regresi Linear)

6 Nearest Neighbor(K-NN)
Merupakan algoritma yang melakukan klasifikasi berdasarkan kedekatan lokasi(jarak) suatu data dengan data lainnya. K menyatakan jumlah tetangga terdekat. Jarak Euclidean

7 kNN menentukan kelas suatu objek data baru(data testing) dengan cara mencari pada kelompok k objek dalam data training yang paling dekat (mirip) (Wu, 2009).

8 Algoritma K-NN Z=(x',y') data uji dengan vektor x' dan label kelas y' yang belum diketahui Hitung Jarak d(x',x) jarak antara data uji z ke setiap vektor data latih, simpan dalam D Ambil K tetangga terdekat pertama Hitung jumlah data yang mengikuti kelas yang ada dari K-tetangga tersebut Kelas dengan data terbanyak yang mengikutinya menjadi kelas yang terpilih yang diberikan sebagai label kelas pada data uji y'

9 Contoh Data latih Hitung Jarak setiap data ke data uji K=1 Data Uji No
X Y Kelas 1 2 3 4 5 7 6 8 9 10 11 12 13 14 15 16 17 18 No X Y Kelas d 1 3.61 2 3.16 3 3.00 4 2.00 5 7 4.47 6 2.24 1.41 8 10 1.00 11 12 13 14 2.83 15 16 17 18 9 No X Y Kelas d 10 4 1 1.00 7 2 3 1.41 2.00 6 2.24 8 5 12 15 14 2.83 16 3.00 11 3.16 13 17 18 3.61 4.47 Data Uji

10 Contoh KNN K=3 Ambil 3 Tetangga terdekat pertama
Hitung jumlah data yang mengikuti kelas yang ada dari K-tetangga tersebut Pilih kelas dengan data terbanyak Jadi pada dataset X Y 4 Maka prediksi kelasnya adalah 0 K=3 No X Y Kelas d 10 4 1 1.00 7 2 3 1.41 2.00 6 2.24 8 5 12 15 14 2.83 16 3.00 11 3.16 13 17 18 3.61 4.47

11 K-NN

12 Notasi Algoritmik KNN Program KNN Kamus: Tipe Matrix : array[1..17,1..3] Tipe Arr:array[1..3] A,B:Matrix C:Arr J0,j1,j,k : Integer Algoritma: A={{1,1,0},{2,1,0},{3,1,0},{3,2,0},{7,2,1},{1,3,0},{2,3,0},{5,3,1},{4,4,1}, {6,4,1},{1,5,0},{6,5,1},{1,6,0},{1,1,0},{4,6,1},{5,6,1},{2,7,1},{4,7,1} }; C={3,4,0} hitungJarak(A,B,C,17,3) urut(B,17) j1=0 j0=0 k=3 for j=0 to k-1 if Bj1=1 then j1=j1+1 endif if B j1=0 then j0=j0+1 endif endfor if j1>j0 then output (kelas=1) else output(kelas=0) endif Procedure hitungJarak(A:Matrix,B:Matrix,C:Arr,m,n) I,j: integer sum:real for i=0 to m-1 do sum=0 for(j=0;j<n;j++) sum=sum+abs(Cj - Aij)2 endfor B i0=sqrt(sum); B i1=A[i][2]; Procedure urut(A Matrix,m:integer ) I,j:integer For i=0 to m-1 do For j=m downto i-1 do If Aj0 < A(j-1)0 then Tukar(Aj0 , A(j-1)0 ) Tukar(Aj1 , A(j-1)1 ) endfor

13