K-Nearest Neighborhood Classification with Matlab

Data Mining/25.03.2013/Sistem Informasi – S1

K-nearest Neighborhood (K-NN) adalah salah satu teknik klasifikasi yang sudah ada sejak dulu. Teknik ini memiliki prinsip kerja menemukan tetangga terdekat terhadap sampel daya yang akan diuji. Jika tetangga terdekatnya masuk dalam kategori kelas “A”, maka sample tersebut dapat dikatakan kelas “A”.

K-NN menggunakan teknik perhitungan jarak antara sampel dengan data yang telah ada (dikenal dengan istilah data training). K-NN masuk dalam kategori “Supervised Learning” karena data yang menjadi acuan (data training) memiliki Label (kelas tertentu). Berikut ini contoh pembuatan aplikasi dengan GUI untuk klasifikasi suatu sampel dengan K-NN. Berikut contoh perhitungan jarak antara titik sampel, misalnya (20,12) dengan salah satu data training, misalnya (30,8) dan diperoleh hasil 10.77.

Create New GUI and choose “Blank GUI”

Rename every component.

String and Tag on Property Editor must be renamed (Matlab is case sensitive)

Save your work in order to get m-file that appear immediately after saving.

Look at the m-file above, you will see the functions according to your pushbutton and edit text. The green text will not be executed and sometimes you see “do not edit” warning. Chose the training_Callback function (see: https://rahmadya.com/2013/03/18/pengenalan-data-mining/ ):

Use your Excel to create training data

The last column is group, so you have to separate training and group in m-file.

Back to m-file, we have to create script for capturing ipa and ips values. At function ipa_Calback and ips_Callback, use this script. Copy-paste this script for ips and replace “a” with “s” for easiness.

Last script is the core script because it contain k-nearest neighborhood classification using function “knnclassify“. See how to create plot for our GUI. The hold function means we do not erase the previous chart. We use “msgbox” (message box) to show the result of classification.

If the run icon is pressed, the result come after push “klasifikasi” button.

Next week we’ll discuss Kmeans.

Tugas: Hitung jarak sampel (kel 1: (5,7) dan kel2 : (6,5)) terhadap data training, tentukan kelasnya berdasarkan data training tersebut (IPA atau IPS). Berikut hasil dengan Ms Excel

Tentang rahmadya

I'm a simple man .. Lahir di Sleman Yogyakarta, 7 Juni 1976 PENDIDIKAN: TK : - (tidak ada TK di tj Priok waktu itu) SDN : Papanggo, Jakarta 83 - 89 SMPN : 129, Jakarta 89 - 92 SMAN : 8, Yogyakarta 92 - 95 Univ. : Fak. Teknik UGM, Yogyakarta 95 - 2001 Pasca. : Tek. Informatika STMIK Nusa Mandiri, Jakarta 2008 - 2010 Doctoral : Information Management Asian Institute of Technology, Thailand 2013 - 2018 PEKERJAAN: Tek. Komputer AMIK BSI Jakarta : 2002 - 2005 IT Danamon Jakarta : 2005 - 2008 Tek. Informatika STMIK Nusa Mandiri Jakarta : 2005 - 2008 Univ. Darma Persada Jakarta: 2008 - 2013 Fakultas Teknik Universitas Islam "45" Bekasi : 2008 - Skrg ( Homebase) Univ. Bhayangkara Jakarta Raya: 2018 - Skrg Univ. Nusa Putra Sukabumi: 2018 - Skrg
Pos ini dipublikasikan di Data Mining. Tandai permalink.

12 Balasan ke K-Nearest Neighborhood Classification with Matlab

  1. wulandari berkata:

    saya sudah mencoba tapi hasilnya eror dg keterangan:
    Reference to non-existent field ‘group’.
    Error in knn1>klasifikasi_Callback (line 95)
    group=handles.group;
    Error in gui_mainfcn (line 95)
    feval(varargin{:});
    Error in knn1 (line 42)
    gui_mainfcn(gui_State, varargin{:});
    Error in @(hObject,eventdata)knn1(‘klasifikasi_Callback’,hObject,eventdata,guidata(hObject))
    Error while evaluating uicontrol Callback
    mohon penjelasan

  2. aurelia berkata:

    gimana caranya buat 6 Atribut?

  3. rahmadya berkata:

    kalo 6 atribut, caranya sama, cuma ya ga bisa diplot semua

  4. art berkata:

    pnentuan kelasx gmna ya ?

  5. art berkata:

    pnentuan kelasx gmna crax ya ?

    • rahmadya berkata:

      kebanyakan menghitung jarak data ke pusat kluster terdekat. yang terbaik ya training ulang beserta data yang baru trus dilihat dia masuk kluster yg mana, untuk FCM cocok karena satu data dia memiliki prosesntasi kemungkinan masuk kluster yang mana, misal ke kluster A 0.2, kluster B 0.3 dan kluster C 0.5 maka data itu cocoknya di kluster C.

  6. cara membuat dari awal gman saya masih pemula tolong di bantu,

    • rahmadya berkata:

      ada dua bagian dari contoh kasus di atas: 1) pembuatan GUI dan 2) pembuatan core system “soft computing” dengan KNN, kira2 sisi yg mana?

  7. Firdaus berkata:

    Terima kasih ya mas Rahmadya

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Foto Google

You are commenting using your Google account. Logout /  Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

Connecting to %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.