PERCOBAAN III

CLASSIFICATION WITH K-NEAREST NEIGHBOR (KNN)

ALGORITHM
 I. TUJUAN
Praktikan mengetahui pengklasifian data dengan menggunakan
algoritma K-Nearest Neighbor.

II. ALAT DAN BAHAN

1. Laptop
2. Modul
3. Google Colab
4. Dataset

III. TEORI DASAR

Klasifikasi adalah proses yang berkaitan dengan kategorisasi.

Klasifikasi adalah cara yang bisa membantu memahami keragaman
dengan lebih baik. Menurut kamus Merriam-Webster, klasifikasi
adalah pengaturan sistematis dalam kelompok atau kategori sesuai
dengan kriteria yang ditetapkan. Klasifikasi adalah proses di mana
ide dan objek dikenali, dibedakan, dan dipahami seperti halnya
memasukkan sesuatu ke dalam kategori. Klasifikasi melibatkan
menempatkan sesuatu ke dalam kelas atau kelompok menurut
karakteristik tertentu sehingga lebih mudah untuk memahaminya.
Algoritma KNN atau K-Nearest Neighbor adalah salah satu algoritma
yang banyak digunakan didunia machine learning untuk kasus
klasifikasi. Algoritma KNN merupakan algoritma klasifikasi yang
bekerja dengan mengambil sejumlah K data terdekat (tetangganya)
sebagai acuan untuk menentukan kelas dari data baru. Algoritma ini
mengklasifikasikan data berdasarkan similarity atau kemiripan atau
kedekatannya terhadap data lainnya.
IV. LANGKAH KERJA
1. Search Google Colab, lalu klik New Notebook

2. Klik ikon file, lalu klik upload pada penyimpanan sesi

3. Pilih lokasi dataset kemudian upload

4. Setelah terinput akan muncul pada jendela sebelah kiri.

5. Tambahkan kode untuk mengimpor library numpy dan pandas.

6. Lalu tambahkan kode untuk membaca dataset

7. Kemudian tambahkan perintah untuk menampilkan info dari buah

8. Selanjutnya ditambahkan kode untuk melabeli kategori tiap buah.

9. Tambahkan kode untuk menampilkan jumlah nilai data

10.Selanjutnya dilakukan pengimporan seaborn.

11.Lalu tambahkan kode untuk menampilkan tabel data numerik.

 12.

13.Selanjutnya ditambahkan kode untuk tahap pemrosesan data

14.Kemudian ditambahkan perintah untuk melakukan pelatihan data.

15.Lalu, tambahkan kode untuk mengimpor KNeighborsClassifier.

16.

17.

18.

V. HASIL PERCOBAAN
1. Tampilan Dataset
2. Tampilan Info Data

3. Tampilan Pencocokan Data

4. Tampilan Jumlah Nilai Data

5. Tampilan Grafis Data

6. Tampilan Tabel Data Numerik

7. Tampilan MinMax Scaller Data
8. Tampilan Akurasi Data

9. Tampilan Akurasi Menggunakan Scalling

 10.Tampilan K Data Terbaik Dari Arange 2-30

11.Tampilan Grafik Jumlah K Data Terbaik

VI. ANALISIS
Berdasarkan percobaan diatas, dapat dianalisis bahwa algoritma
K-Nearest Neighbor merupakan algoritma yang melakukan
klasifikasi terhadap obyek berdasarkan data pembelajaran yang
jaraknya paling dekat dengan obyek tersebut. Pengimporan library
pandas digunakan untuk mengelola dataframe dan library numpy
berfungsi untuk mempermudah dalam memproses data vector.
Ditambahkan perintah untuk membaca data dengan memasukkan
nama file dataset dengan kode program “buah =
pd.read_table(‘fruit_data_with-colors.txt)”, lalu dipanggil perintah
untuk menampilkan 100 data pertama dari dataset tersebut dengan
perintah “buah.head(100)”. Perintah “buah.info()” digunakan untuk
menampilkan info buah dari dataset berupa tipe data, index dan lain
sebagainya. Dalam tahap pencocokan data digunakan label_mapping
dengan kode “label_mappingn= dict (zip (buah.fruit_label.unique
(), buah.fruit_name.unique()))”. Pencocokan kembali data dilakukan
pada kolom fruit label dan fruit name. Kode
“buah[‘fruit_name’].value_counts()” untuk melihat jumlah masing-
masing buah dari dataset.
Pengimporan seaborn berfungsi untuk membuat grafik, kode
“g = sns.PairGrid (buah,hue = "fruit_name")” berfungsi untuk
menampilkan data dalam bentuk grid yang memiliki warna. Kode
program “g.map_diag(sns.histplot” merupakan perintah yang
digunakan untuk menampilkan data dalam bentuk grafik diagram
dan perintah “g.map_offdiag(sns.scatterplot)” digunakan untuk
menampilkan nilai variable data dalam bentuk titik-titik. Selanjutnya
digunakan perintah “buah = buah.drop (["fruit_name",
"fruit_subtype"], axis=1) buah.head(100)” untuk menghilangkan
kolom nama buah dan tipe buah, hal ini dikarenakan data yang
diolah hanya data dengan tipe numerik.
Pada tahap selanjutnya dilakukan pembagian data, dengan
perintah “x = buah [["mass", "width", "height", "color_score"]]”
dan “y = buah['fruit_label']”. Selanjutnya pada library sklearn
dilakukan proses MinMaxScaler data dengan menentukan nilai
minimal dan maksimal dari data. Selanjutnya dilkakukan pemisahan
data dengan perintah “from.sklearn.model_selection import
 train_test_split”. Kemudian dilakukan pengimporan algoritma KNN
dengan perintah “from sklearn.neighbors import
KNeighborsClassifier” Perintah “m1 =KNeighborsClassifier
(n_neighbors=3).fit(x_train, y_train)” untuk menginisialisai data
perbandingan pertama. Untuk melihat tingkat akurasi dari data
digunakan perintah “acc1 = m1.score(x_test, y_test)”. Selanjutnya
pada kode “m2 = KNeighborsClassifier (n_neighbors=3).
fit(x_train_scaled, y_train)” digunakan perbandingan data kedua.
Pada perbandingan ini digunakan scaling sehingga data lebih akurat.
Kemudian dilakukan penentuan K data terbaik dengan sintaks
“K = np.arange(2,30)” untuk mencari data terbaik dari data ke - 2
hingga data ke - 30. Pada penentuan data K terbaik digunakan
perbandingan data kedua dikarenakan data lebih akurat..
Pengimporan matplotlib berfungsi untuk menampilkan grafik dari
data akurasi K terbaik.

VII. KESIMPULAN
Dari percobaan yang telah dilakukan dapat disimpulkan bahwa
K-Nearest Neighbor merupakan tahap pengklasifian data yang
jaraknya paling dekat dengan obyek tersebut. Pada algoritma KKN,
dapat diterapkan pengklasifian dengan tipe data numerik sehingga
diperoleh keakurasian data yang tepat.