MAX

K-Nearest Neighbor

• Metoda untuk mengelompokkan objek yang tidak diketahui ke dalam kelas yang terdekatdengan menggunakan ukuran jarak, biasanyamenggunakan Euclidian metric

• Jumlah tetangga (K) terdekat ditentukan olehuser

Sifat nearest neighbor

• Parametrik,tidak memperhatikan distribusi dari data yang ingin kita kelompokkan

• Sangat sederhana dan mudah diimplementasikan

• Mengandalkan pada training set dari obyek yang telahdiketahui anggota kelas untuk membuat keputusan anggotaobjek yang tidak diketahui

• Ukuran training set tidak terbatas

Teknik K-Nearest Neighbor

• Mulai input: data training, label data training, k, data testing

• Untuk semua data testing, hitung jaraknya ke setiap data training

• Tentukan k titik data training yang jaraknya paling dekat dengan data testing

• Periksa label dari k titik data ini

• Tentukan label yang frekuensinya paling banyak dari k titik data tsb.

• Masukkan data testing ke kelas dengan frekuensi paling banyak

• stop

K-nearest neighbor menggunakan euclidianuntuk menentukan anggota kelas.

• Kita menentukan tetangga yang akan dijadikan acuan.

• Jika tetangga terdekat yang ditentukan Cuma 1, maka data tersebutakan masuk pada A

• Jika tetangga terdekat yang ditentukan ada 3, maka data tersbut akanmasuk pada B

Contoh

• Terdapat 2 kelas (kelas merah dan kelas biru) dan 1 data tidakdiketahui.

• Kita tentukan bahwa k adalah kelas dan kita cari k-Nearest Neighbor

• Jika kita menetukan k=3, maka data tersebut masuk kedalam kelasmerah karena terdapat 2 merah dan 1 biru di dalam lingkaran yang kita tentukan

• Jika kita menentukan k=5, maka data tersebut masuk ke dalam kelasbiru karena terdapat 3 biru dan 2 merah di dalam lingkaran

IMPLEMENTASI METODE KNN UNTUK PENGENALAN MATA UANG KERTAS

MENGGUNAKAN FITUR STATISTIK HISTOGRAM

Batasan :

Menggunakan metode KNN menggunakan fitur StastistikHistogram dengan konversi warna RGB, YCbCr, dan BW

Data yang digunakan adalah citra uang kertas rupiah dengan nominal Rp.1000; Rp.2000; Rp.5000; Rp.10.000; Rp.20.000;

Rp.50.000; Rp.100.000

Data citra yang digunakan adalah dengan ukuran 700 x 300 piksel, pengambilan citra menggunakan kamera DSLR Canon

dengan kondisi siang hari ruangan terbuka

Tujuan :

Mencari fitur terbaik antara warna RGB, YCbCr

atau BW untuk pengenalan nominal mata uang.

Ekstraksi Fitur Statistik dari Histogram

Tekstur Berbasis

Histogram

rerata intensitas

standart deviasi

skewness

entropi

energi

smoothness

1 5 4 7 3

6 3 1 0 6

7 4 5 2 7

2 6 7 1 4

3 1 5 3 2

i P(i)

0 1/25

1 4/25

2 3/25

3 4/25

4 3/25

5 3/25

6 3/25

7 4/25

RERATA INTENSITAS (m)

Contoh Ekstraksi Fitur Statistik Histogram

STANDART DEVIASI (σ) SKEWNESS (S)

ENERGI (E) ENTROPI (e)

SMOTHNESS (R)

Rerata Intensitas 3,8

Standart Deviasi 5,34

Skewness 0,2588

Energi 0,04

Entropi 0,879932

Smothness 0,96

Desain Sistem

K-Nearest Neighbor (KNN)

Algoritma k-nearest neighbor (k-NN atau KNN) adalah

sebuah metode untuk melakukan klasifikasi terhadap objek

berdasarkan data pembelajaran yang jaraknya paling dekat

dengan objek tersebut.

Pada fase klasifikasi, fitur – fitur yang

sama dihitung untuk testing data.

Jarak dari vektor yang baru ini

terhadap seluruh vektor training

sample dihitung, dan sejumlah k buah

yang paling dekat diambil.

Data Training dan Pelabelan

Perhitungan jarak data uji ke data training 1

Perhitungan jarak data uji ke data training 2

Dari hasil sorting perhitungan jarak yang

sudah di dapatkan dan berdasarkan

ketentuan ketetanggan terdekat adalah

k=1 maka di dapatkan hasil pengenalan

uang Rp 5000.

TERIMA KASIH