LAPORAN PRAKTIKUM MACHINE LEARNING

Untuk memenuhi tugas Kecerdasan Buatan yang dibina oleh

Lutfi Hakim

Oleh
Ninik Wulandari
361855401083
Kelas : 3C

POLITEKNIK NEGERI BANYUWANGI

PROGRAM STUDI TEKNIK INFORMATIKA
JANUARI 2020
I. Judul Praktikum
Laporan Praktikum Machine Learning
II. Tujuan Praktikum
1. Memahami konsep dasar machine learning dan supervised learning
2. Memahami konsep dan penerapan algoritma kNN
3. Mengetahui rumus jarak dan jenis jenisnya serta memahami penerapannya
4. Memahami runtutan algoritma kNN
III. Teori Dasar
1. Machine Learning
Machine learning adalah pembelajaran mesin yang sangat membantu dalam
menyelesaikan masalah, membuat mudah dalam mengerjakan sesuatu. Machine
learning bermulasaat manusia memikirkan bagaimana cara agar komputer dapat
belajar dari pengalaman atau dapat mengingat apa saja yang barusan dioperasikan
di komputer tersebut. Hal tersebut terbukti pada tahun 1952, Arthur Samuel
menciptakan sebuah program game of chekers, pada sebuah komputer IBM.
Program tersebut dapat mempelajari gerakan untuk memenangkan permainan
chekers dan menyimpan gerakan tersebut kedalam memorinya. Mechine learning
dibuat untuk membantu manusia dalam menyelesaikan masalah serta tidak juga
merepotkan dalam hal penggunaan machine learning karena dia bisa berjalan
sendiri tanpa berulang ulang di install.
2. Algoritma kNN
Algoritma K-Nearest Neighbor merupakan metode klasifikasi yang
mengelompokan data baru berdasarkan jarak data baru itu kebeberapa
data/tetangga (neighbord) terdekat (Santoso, 2007).Teknik K-Nearest
Neighbordengan melakukan langkah-langkah yaitu (Santoso, 2007), mulai input:
Data training, label data traning, k, data testing
a.Untuk semua data testing, hitung jaraknyake setiap data training
b.Tentukan k data training yang jaraknya paling dekat dengan data
c.Testing
d.Periksa label dari k data ini
e.Tentukan label yang frekuensinya paling banyak
 f.Masukan data testing ke kelas dengan frekuensi paling banyak
g.Berhenti
3. Macam macam rumus jarak
a. Camberra

b. Minkowsky

c. Chebichev

d. Euclidean

e. Manhattan
 4. Runtutan Algoritma kNN
a. Tentukan besar parameter K (Jumlah banyaknya tetangga terdekat)
b. Hitung jarak antara data baru dan semua data yang ada pada data training
c. Urutkan jarak tersebut dan tentukan tetangga mana yang terdekat berdasarkan
jarak minimum ke-K
d. Tentukan kategori dari tetangga terdekat
e. Gunakan kategori mayoritas yang sederhana dari tetangga yang terdekat
tersebut sebagai nilai prediksi dari data yang baru (Lakukan sistem voting)
IV. Source Code
1. DataLatih.java
2. KNN_algoritma.java
3. KNN_run.java
V. Hasil

VI. Eksperimen dan pembahasan

1. Percobaan 1 (NR=6, UN=9)
 Pembahasan:
Dari percobaan diatas dapat diketahui bahwa dengan mendapatkan niai rapot 6
dan nilai UN 9, maka seorang siswa dapat mendapatkan beasiswa. Hal tersebut
dikarenakan program diatas menggunakan metode algoritma kNN yang nilai
acuannya mendekati hasil keputusan beasiswa.

2. Percobaan 2 (NR=7, UN=6)

Pembahasan:
Dari percobaan diatas dapat diketahui bahwa dengan mendapatkan niai rapot 7dan
nilai UN 6, maka seorang siswa dapat mendapatkan beasiswa. Hal tersebut
dikarenakan program diatas menggunakan metode algoritma kNN yang nilai
acuannya mendekati hasil keputusan reguler.
 3. Percoban 3 (NR=5, UN=4)

Pembahasan:
Dari percobaan diatas dapat diketahui bahwa dengan mendapatkan niai rapot 5
dan nilai UN 4, maka seorang siswa dapat mendapatkan beasiswa. Hal tersebut
dikarenakan program diatas menggunakan metode algoritma kNN yang nilai
acuannya mendekati hasil keputusan tidak lulus.
VII. Kesimpulan
Pada praktikum kali ini membahas mengenai algoritma kNN atau algoritma K-
Nearest Neighbors. Algoritma kNN adalah metode klasifikasi yang mengelompokan
data baru berdasarkan jarak data baru itu kebeberapa data/tetangga. Percoban diatas
mengunakan rumus jarak Euclidean. Dimana dilakukan 3 kali percobaan dengan
dihasilkan keputusan yang berbeda. Terdapat tiga kelas yang menjadi acuan
keputusan, yaitu REGULER, BEASISWA, dan TIDAK LULUS. Nantinya hasil yang
diperoleh dari salah satu dari ketiga kelas tersebut berguna untuk menentukan
keputusan mana yang harus diambil oleh pengguna.
VIII. Referensi
Fauzi, Y. Y. E. Widyastuti, I. S. dan R. H. P. (2012). Kelapa Sawit: Budidaya,
Pemanfaatan Hasil dan Limbah, Analisis Usaha dan Pemasaran. 236 hal.
Telaumbanua, F. D., Hulu, P., Nadeak, T. Z., Lumbantong, R. R., & Dharma, A.
(2020). Penggunaan Machine Learning Di Bidang Kesehatan. Jurnal Teknologi Dan
Ilmu Komputer Prima (JUTIKOMP), 2(2), 57–64.
https://doi.org/10.34012/jutikomp.v2i2.657