T : KNN, apaan tu?
J : KNN atau K-Nearest Neigbor secara harfiahnya berarti k-tetangga terdekat…
T : yah ini lagi cuman ngartiin kata-katanya doang, kalo bahasa Inggris mah little-little i can lah.. maksudnya KNN tu buat apa?
J : sabar dikit napa c T ni juga mo jelasin…, jadi, KNN itu salah satu algoritma untuk klasifikasi.. tau kan klasifikasi apa, apa bedanya sama klustering?
T: hm,, iya kalo itu c inget. kalo kelasifikasi kan kelas targetnya dah ditentuin terlebih dahulu gitu ya, apa tuh istilah kerennya…
J : supervised learning..
T : nah, iya ntu. Kalo klustering belum ditentuin kelas targetnya, berarti unsupervised learning, ya kan?
J : siip..
T : yaudah, lanjut-lanjut. hm,, jadi KNN tu buat klasifikasi, terus napa tu namanya unik banget.. k-tetangga terdekat.. tinggal di komplek apa tu dia, ampe disebut begono
J : haha. ya enggaklah. makanya lanjut dulu pengertiannya ya. Jadi konsep dasar c KNN tu, kita ngambil sebanyak k titik yang paling deket dengan titik queri…
T : pit.. pit… dulu. titik queri maksudnya apa Bos?
J : titik queri itu titik yang mo kita cari dia masuk ke kelas mana.
T : ooo..
J : oke, lanjut. Kita ngambil sebanyak k titik yang paling deket dengan titik queri, kita sebut dia sebagai k-tetangga terdekat. Terus kita liat deh tetangga-tetangga itu, mereka mayoritas masuk kelas apa. Nah, si titik queri ini akan masuk ke kelas mayoritas itu.
T : hm hm hm… simpel juga kayanya,
J : yap, intinya c algortima ini ada dua langkah. Pertama, cari k- tetangga terdekat. Tentu sebelumnya kita dah nentuian nilai k-nya, artinya kita dah tentuin dulu berapa tetagga terdekat nih yang diambil…
T : lah terus cara nyarinya gimana. Gimana kita tau kalo mereka adalah our nearest neighbor, halah..
J : Ah elu. Masa gitu aja nanya c.. ya pake jarak dong.
T : xixixi.. oh iye ye.
J : Hitung jarak antara titik queri dengan titik-titik training…
T : titik training tu berarti titik yang udah kita tau kelasnya apa kan? kayak data training gitu.
J : yap, encer juga tu otak kadang2..
T : eerrggh..
J : he… sori, ngocol dikit. yawdah lanjut. hitung jarak antara titik queri dengan titik-titik training.. Caranya ngitung jarak, bisa pake fungsi2 yang uda pernah dibahas di kulian metkuan, inget? ada jarak Euclidean, jarak Mahlanobis, dll…
T : oo.. yayaya, kayaknya pernah denger tu.
J : itu kan ada di kuliah metkuan
T : ah, elu suka pura-pura gak tau, gw kan suka sambil tidur kalo belajar di kelas.
J : hahaha.. emang bisa ya. yawdah lanjut.. Udah dapet ni perhitungan jaraknya, abis itu kita ambilin yang paling kecil, ambil k titik yang nilainya paling kecil. caranya? urutin dari kecil ke gede, ambil k baris pertama. Itulah our k-nearest neighbor.
T : hm…
J : sip, langkah pertama beres. Sekarang kita dah punya k-tetangga terdekat..
T : lanjut..
J : langkah kedua; dari k-tetangga terdekat tadi, kita liat mayoritas pada masuk kelas apa, misal masuk kelas x. yaudah, berarti titik queri kita juga masuk kelas x. beres deh klasifikasi kita.. ! 
T : hooo… bingung.
J : lha? hm, emang lebih jelas langsung pake contoh c. yawda, coba unduh (maaf untuk saat ini belum ada link nya) hand-outnya aja kalo gitu.
T: ok ok..
J : Sebenernya… katanya c, algoritma ini juga bisa dipake buat interpolasi ma ekstrapolasi.
T: apalagi tu? kalo interpolasi c gw tau dikit. yang kayak di anum kan? nge-fit titik-titik gitu pake polinom or fungsi2 lain..
J : yap.. interpolasi tu untuk smoothing, kalo ekstrapolasi buat cari nilai di luar rentang nilai data yang diketahui… istiahnya… prediction.
T : hm,,
J : bedanya dengan klasifikasi yang tadi, kalo klasifikasi yang tadi kan nilai targetnya berupa data kategorik (dia masuk ke kelas 1 kelas 2 dst…), kalo smoothing ma prediction itu nilai targetnya kuantitatif.. bingung?
T : he em uy..
J : sama.. hehehe… nti kalo sempet kita bahas lagi… yawdah. otak gw dah ngebul ni. udahan dulu ye..
T : ok makasi. kapan-kapan kita nge-gosip lagi ya…!!
* mohon rujuk kembali ke sumber yang lebih terpercaya… he.. *
wah..wah ziza sempat-sempatnya nulis blog catatan kuliah… liburan ya za ga ada kerjaan. aku malah amnesia dengan tugas-tugas kuliah…. di rumah bawaannya tidur dan maen terus. mumpung liburan he…
ah, engga juga Rin.. sama aja,, ni nyambi tugas metkuan doang. mumpung ngerti. hehe…
mba salam kenal..
aku puji,, oh jadi kalo knn itu supervised ya,
kalo k means unsupervised kan
nah tau tentang v fold cross validation ga mba????
Maksihhhhhh
maaaaaaf ini mba apa mas ya????? blom liat profilnya
hemmm
kalo nentukan outlier make weka gimana yah
kita melakukan pendekatan nearest neighbour
@Puji: wah maaf ru bales.. iya kalo k-means unsupervised… k-fold cross validation setau sy salah satu metode untuk menguji akurasi.. nanti kali ya lengkapnya cerita2 lagi…
@anakkebo: di plot aja grafiknya..he..he..
w tanya donk??w ada rumus d2(x,y)={(x-y)pangkat T(I+Dwwpangkat T)(x-y)}pangkat 1/2
maaf katro ditulis kyk gini rumusnya
w ngk tau x itu apa, y itu apa?mgkn dari grafik ya? trus T,I, ama Dww itu apa??
w mohon banget bantuannya??
w mo tanya donk??
ad artikel credit scoring memakai metode knn, nah disitu ad rumus :
d(x,y)={(x-y)pangkat T(I+Dwwpangkat T)(x-y)}pangkat 1/2
maaf katro w nulis rumusnya,,,
w ngk ngerti nama2 variabel ini I untuk apa Dww untuk apa??
mohon penjelasannya???
terima kasih atas bantuannya
ini TIDAK MEMBANTU !!