Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di:https://www.researchgate.net/publication/304826093

Penerapan pendekatan K-nearest neighbor (KNN) untuk memprediksi latar

belakang teori peristiwa ekonomi

Artikel· Januari 2013

KUTIPAN BACA
432 20.362

2 penulis, termasuk:

Mohammad Bolandraftar

4PUBLIKASI477KUTIPAN

LIHAT PROFIL

Beberapa penulis publikasi ini juga mengerjakan proyek terkait berikut:

disertasi masterLihat proyek

Penelitian tersebut merupakan salah satu hasil disertasi master saya yang bertujuan memprediksi financial distress perusahaan-perusahaan IranLihat proyek

Semua konten yang mengikuti halaman ini diunggah olehMohammad Bolandraftarpada 07 Desember 2017.

Pengguna telah meminta peningkatan file yang diunduh.

SB Imandoust dkk. Int. Journal of Engineering Research and Applications Vol. 3, www.ijera.com
Edisi 5, Sep-Okt 2013, hlm.605-610

ARTIKEL PENELITIAN AKSES TERBUKA

Penerapan Pendekatan K-Nearest Neighbor (KNN) untuk

Memprediksi Economic Events: Latar Belakang Teoritis

Sadegh Bafandeh Imandoust dan Mohammad Bolandraftar

Departemen Ekonomi, Universitas Payame Noor, Teheran, Iran

Abstrak
Dalam penelitian inik-Metode klasifikasi Nearest Neighbor, telah dipelajari untuk peramalan ekonomi. Karena efek dari
kesulitan keuangan perusahaan terhadap pemangku kepentingan, model prediksi kesulitan keuangan telah menjadi
salah satu bidang yang paling menarik dalam penelitian keuangan. Dalam beberapa tahun terakhir, setelah krisis
keuangan global, jumlah perusahaan yang bangkrut meningkat. Karena kesulitan keuangan perusahaan adalah tahap
pertama kebangkrutan, menggunakan rasio keuangan untuk memprediksi kesulitan keuangan telah menarik terlalu
banyak perhatian akademisi serta lembaga ekonomi dan keuangan. Meskipun dalam beberapa tahun terakhir penelitian
tentang prediksi kesulitan keuangan perusahaan di Iran telah meningkat, sebagian besar upaya telah mengeksploitasi
metode statistik tradisional; dan hanya beberapa penelitian yang menggunakan metode nonparametrik.
Kata kunci:Memprediksi kesulitan keuangan- Pembelajaran mesin-k-Tetangga terdekat.

I. Pendahuluan pola. Kasus-kasus yang ada ini mungkin berasal dari

1.1. Penambangan data Secara singkat
Penambangan data adalah proses yang menggunakan berbagai alat
analisis data untuk menemukan pola dan hubungan dalam data yang
dapat digunakan untuk membuat prediksi yang valid.
Langkah analitis pertama dan paling sederhana dalam
penambangan data adalah mendeskripsikan data - meringkas
atribut statistiknya (seperti rata-rata dan standar deviasi),
meninjaunya secara visual menggunakan bagan dan grafik, dan
mencari tautan yang berpotensi bermakna di antara variabel
(seperti nilai yang sering terjadi bersama-sama).
Penambangan data memanfaatkan kemajuan di
bidang kecerdasan buatan (AI) dan statistik. Kedua
disiplin telah bekerja pada masalah pengenalan
pola dan klasifikasi.
Peningkatan kekuatan komputer dan biayanya yang lebih
rendah, ditambah dengan kebutuhan untuk menganalisis
kumpulan data yang sangat besar dengan jutaan baris, telah
memungkinkan pengembangan teknik baru berdasarkan
eksplorasi bruteforce dari solusi yang mungkin [1-5].
1.2. Berbagai jenis prediksi menggunakan data
teknik pertambangan
(1) Klasifikasi:memprediksi ke dalam kategori atau kelas
apa suatu kasus jatuh.
(2) Regresi: memprediksi berapa nilai angka yang akan dimiliki
suatu variabel (jika itu adalah variabel yang bervariasi dengan waktu,
itu disebut prediksi 'rangkaian waktu').
1.3. Klasifikasi
Masalah klasifikasi bertujuan untuk mengidentifikasi karakteristik
yang menunjukkan kelompok yang dimiliki setiap kasus. Pola ini
dapat digunakan baik untuk memahami data yang ada maupun
untuk memprediksi bagaimana instance baru akan berperilaku.
Penambangan data menciptakan model klasifikasi dengan
memeriksa data (kasus) yang sudah diklasifikasikan dan secara
induktif menemukan prediksi
database sejarah, seperti orang-orang yang telah
menjalani perawatan medis tertentu atau pindah ke
layanan jarak jauh yang baru. Mereka mungkin berasal
dari eksperimen di mana sampel dari seluruh database
diuji di dunia nyata dan hasilnya digunakan untuk
membuat pengklasifikasi. Misalnya, sampel milis akan
dikirimi penawaran, dan hasil dari milis digunakan untuk
mengembangkan model klasifikasi yang akan diterapkan
ke seluruh database. Terkadang seorang ahli
mengklasifikasikan sampel dari database, dan klasifikasi
ini kemudian digunakan untuk membuat model yang
akan diterapkan ke seluruh database [6-9].
1.4. Regresi
Regresi menggunakan nilai-nilai yang ada untuk meramalkan
apa yang akan menjadi nilai-nilai lain. Dalam kasus yang
paling sederhana, regresi menggunakan teknik statistik
standar seperti regresi linier. Sayangnya, banyak masalah
dunia nyata bukan sekadar proyeksi linier dari nilai-nilai
sebelumnya. Misalnya, volume penjualan, harga saham, dan
tingkat kegagalan produk semuanya sangat sulit diprediksi
karena mungkin bergantung pada interaksi kompleks dari
beberapa variabel prediktor. Oleh karena itu, teknik yang
lebih kompleks mungkin diperlukan untuk meramalkan nilai
masa depan. Jenis model yang sama seringkali dapat
digunakan untuk regresi dan klasifikasi.
Sebagai contoh, algoritma pohon keputusan CART
(Classification and Regression Trees) dapat digunakan
untuk membangun pohon klasifikasi (untuk
mengklasifikasikan variabel respons kategoris) dan
pohon regresi (untuk meramalkan variabel respons
berkelanjutan). Metode K-Nearest Neighbor dapat
membuat model klasifikasi dan regresi sekaligus.
Ada berbagai macam metode data mining diantaranya
Support Vector Machines (SVM), Artificial Neural

www.ijera.com 605|Halaman
SB Imandoust dkk. Int. Journal of Engineering Research and Applications Vol. 3,
Edisi 5, Sep-Okt 2013, hlm.605-610
Jaringan (ANN), Naïve Bayesian Classifier, Algoritma
Genetika, dan K-Nearest Neighbor (KNN).
Makalah ini bertujuan untuk menyelidiki metode KNN
dalam klasifikasi dan regresi, latar belakang sejarahnya,
dan perbedaan penerapan metode tersebut di beberapa
daerah.
II. Latar Belakang Teoritis
2.1 KNN untuk klasifikasi
Dalam pengenalan pola, algoritma KNN adalah
metode untuk mengklasifikasikan objek berdasarkan contoh
pelatihan terdekat di ruang fitur. KNN adalah jenis
pembelajaran berbasis instance, atau pembelajaran malas di
mana fungsinya hanya didekati secara lokal dan semua
perhitungan ditunda hingga klasifikasi [9-12]. KNN adalah
teknik klasifikasi yang mendasar dan paling sederhana ketika
hanya ada sedikit atau tidak ada pengetahuan sebelumnya
tentang distribusi data [12-15]. Aturan ini hanya
mempertahankan seluruh set pelatihan selama pembelajaran
dan menugaskan ke setiap kueri sebuah kelas yang diwakili
oleh label mayoritas dari tetangga terdekatnya di set
pelatihan. Aturan Nearest Neighbor (NN) adalah bentuk
paling sederhana dari KNN ketika K = 1. Dalam metode ini
setiap sampel harus diklasifikasikan serupa dengan sampel di
sekitarnya. Oleh karena itu, jika klasifikasi sampel tidak
diketahui, kemudian dapat diprediksi dengan
mempertimbangkan klasifikasi sampel tetangga terdekatnya.
Diberikan sampel yang tidak diketahui dan set pelatihan,
semua jarak antara sampel yang tidak diketahui dan semua
sampel dalam set pelatihan dapat dihitung. Jarak dengan nilai
terkecil sesuai dengan sampel di set pelatihan yang paling
dekat dengan sampel yang tidak diketahui. Oleh karena itu,
sampel yang tidak diketahui dapat diklasifikasikan
berdasarkan klasifikasi tetangga terdekatnya [15-20].
Gambar 1 menunjukkan aturan keputusan KNN untuk K= 1 dan
K= 4 untuk satu set sampel yang dibagi menjadi 2 kelas. Pada
Gambar 1(a), sampel yang tidak diketahui diklasifikasikan dengan
hanya menggunakan satu sampel yang diketahui; pada Gambar
1(b) digunakan lebih dari satu sampel yang diketahui. Dalam
kasus terakhir, parameter K diatur ke 4, sehingga empat sampel
terdekat dipertimbangkan untuk mengklasifikasikan yang tidak
diketahui. Tiga dari mereka milik kelas yang sama, sedangkan
hanya satu milik kelas lainnya. Dalam kedua kasus, sampel yang
tidak diketahui diklasifikasikan sebagai milik kelas di sebelah kiri.
Gambar 2 memberikan sketsa algoritma KNN.
Gambar 1.(a) Aturan keputusan 1-NN: intinya?adalah
ditugaskan ke kelas di sebelah kiri; (b) KNN
www.ijera.com
www.ijera.com
aturan keputusan, dengan K= 4: intinya?ditugaskan untuk
kelas di sebelah kiri juga
untuksemua sampel yang tidak diketahui UnSample(i)
untuksemua sampel yang diketahui Sampel(j)
menghitung jarak antara
UnSamples(i) dan Sample(j)
akhir untuk
cari k jarak terkecil cari
sampel yang sesuai
Sample(j1),..,Sample(jk)
tetapkan UnSample(i) ke kelas yang
lebih sering muncul
akhir untuk
Gambar 2.Algoritma KNN.
Kinerja pengklasifikasi KNN terutama
ditentukan oleh pilihan K serta metrik jarak yang
diterapkan [20-25]. Estimasi dipengaruhi oleh
sensitivitas pemilihan ukuran lingkungan K,
karena radius wilayah lokal ditentukan oleh jarak
K ke tetangga terdekat ke kueri dan K yang
berbeda menghasilkan probabilitas kelas
bersyarat yang berbeda. Jika K sangat kecil,
estimasi lokal cenderung sangat buruk karena
data yang jarang dan titik-titik yang berisik,
ambigu, atau salah label. Untuk lebih
memuluskan perkiraan, kita dapat
meningkatkan K dan memperhitungkan wilayah
yang luas di sekitar kueri. Sayangnya, nilai K
yang besar dengan mudah membuat estimasi
over smoothing dan kinerja klasifikasi menurun
dengan diperkenalkannya outlier dari kelas lain.
Untuk mengatasi masalah tersebut,.
Bagaimana memilih ukuran lingkungan K
yang cocok adalah masalah utama yang sangat
mempengaruhi kinerja klasifikasi KNN.Sedangkan
untuk KNN, ukuran sampel latih yang kecil dapat
sangat mempengaruhi pemilihan ukuran lingkungan
optimal K dan penurunan kinerja klasifikasi KNN
mudah dihasilkan oleh sensitivitas pemilihan K. Secara
umum, hasil klasifikasi sangat sensitif untuk dua
aspek: ketersebaran data dan titik-titik yang berisik,
ambigu atau salah label jika K terlalu kecil, dan banyak
outlier dalam lingkungan dari kelas lain jika K terlalu
besar. Dari sudut pandang teoretis, kinerja klasifikasi
KNN ditentukan oleh estimasi probabilitas kelas
bersyarat dari kueri di wilayah lokal ruang data, yang
ditentukan oleh jarak tetangga terdekat K ke kueri.
Sehingga kinerja klasifikasi sangat sensitif terhadap
nilai K yang dipilih. Selanjutnya, pemungutan suara
mayoritas paling sederhana untuk menggabungkan
label kelas untuk KNN dapat menjadi masalah jika
tetangga terdekat sangat bervariasi jaraknya dan
yang lebih dekat menunjukkan kelas objek kueri
dengan lebih andal. Dengan tujuan mengatasi
masalah sensitivitas pilihan yang berbeda dari ukuran
lingkungan K, beberapa
606|Halaman
SB Imandoust dkk. Int. Journal of Engineering Research and Applications Vol. 3, www.ijera.com
Edisi 5, Sep-Okt 2013, hlm.605-610

metode voting tertimbang telah dikembangkan untuk 2.2KNN untuk Regresi

KNN. 2.2.1 Teori
Itu telah ditunjukkan pada saat poin tidak Itu sama metode Bisa menjadi digunakan
terdistribusi secara merata; penentuan nilai K menjadi untuk regresi, dengan hanya menetapkan nilai properti
sulit. Umumnya, nilai K yang lebih besar lebih kebal untuk objek menjadi rata-rata dari nilai K tetangga
terhadap kebisingan yang disajikan, dan membuat terdekatnya. Akan berguna untuk menimbang kontribusi
batas lebih halus antar kelas. Akibatnya, memilih K tetangga, sehingga tetangga yang lebih dekat
yang sama (optimal) menjadi hampir tidak mungkin memberikan kontribusi rata-rata lebih banyak daripada
untuk aplikasi yang berbeda. yang lebih jauh.

Gambar 3.aturan keputusan KNN untuk regresi

Masalah regresi berkaitan dengan memprediksi hasil dari 2.2.2 Metrik Jarak
variabel dependen yang diberikan satu set variabel Sebagaimana dimaksud sebelum KNN membuat

independen. Untuk mulai dengan, kami
mempertimbangkan skema yang ditunjukkan di atas
pada Gambar 3, di mana sekumpulan titik (kotak hijau)
diambil dari hubungan antara variabel independenXdan
variabel dependeny(kurva merah). Mengingat kumpulan
objek hijau (dikenal sebagai contoh), kami menggunakan
metode KNN untuk memprediksi hasilX(juga dikenal
sebagai titik kueri) yang diberikan kumpulan contoh
(kotak hijau). Untuk memulainya, mari pertimbangkan
metode 1 tetangga terdekat sebagai contoh. Dalam hal
ini kami mencari kumpulan contoh (kotak hijau) dan
menemukan yang paling dekat dengan titik kueriX. Untuk
kasus khusus ini, ini terjadiX4. Hasil dariX4(yaitu,y4)
dengan demikian kemudian dianggap sebagai jawaban
untuk hasil dariX (yaitu,Y). Demikian untuk1-tetangga
terdekat kita dapat menulis: Y=y4
Untuk langkah selanjutnya, mari kita pertimbangkan2-terdekat
metode tetangga. Dalam hal ini, kami menempatkan
dua titik terdekat pertamaX, yang kebetulany3Dany4.
Mengambil rata-rata hasil mereka, solusi untuk
Ykemudian diberikan oleh:
3+  4
 =
2 1
Pembahasan di atas dapat diperluas menjadi
jumlah sewenang-wenang dari tetangga terdekatK.
Untuk meringkas, dalam metode KNN, hasilnyaYdari
titik permintaanXdiambil sebagai rata-rata dari hasil-
hasilnyaKtetangga terdekat.
prediksi berdasarkan hasil dariKtetangga yang paling
dekat dengan titik itu. Oleh karena itu, untuk
membuat prediksi dengan KNN, kita perlu
menentukan metrik untuk mengukur jarak antara titik
kueri dan kasus dari sampel contoh. Salah satu pilihan
paling populer untuk mengukur jarak ini dikenal
sebagai Euclidean. Langkah-langkah lain termasuk
Euclidean squared, City-block, dan Chebychev,
(  −  )2
 ,   = (  −  )2
− 
 − 
Di manaXDanPmasing-masing adalah titik kueri dan
kasus dari sampel contoh.
2.2.3 Prediksi K-Nearest Neighbor
Setelah memilih nilai K, Anda dapat
membuat prediksi berdasarkan contoh KNN.
Untuk regresi, prediksi KNN adalah rata-rata
dari hasil K tetangga terdekat:
 
 =   
 =1
Di manaySayaadalahSayath kasus contoh sampel
dany adalah prediksi (outcome) dari titik query.
Berbeda dengan regresi, dalam masalah klasifikasi,

www.ijera.com 607|Halaman
SB Imandoust dkk. Int. Journal of Engineering Research and Applications Vol. 3,
Edisi 5, Sep-Okt 2013, hlm.605-610
Prediksi KNN didasarkan pada skema pemungutan suara di mana
pemenang digunakan untuk memberi label kueri.
Selama ini kita telah membahas analisis KNN tanpa
memperhatikan jarak relatif dari K contoh yang terdekat
dengan titik query. Dengan kata lain, kita membiarkan K
tetangga memiliki pengaruh yang sama terhadap
prediksi terlepas dari jarak relatifnya dari titik kueri.
Pendekatan alternatif adalah dengan menggunakan nilai
besar yang sewenang-wenangK(jika bukan seluruh
sampel prototipe) dengan lebih mementingkan kasus
yang paling dekat dengan titik kueri. Ini dicapai dengan
menggunakan apa yang disebut 'pembobotan jarak'.
2.2.4 Pembobotan Jarak
Karena prediksi KNN didasarkan pada
asumsi intuitif bahwa objek yang jaraknya dekat berpotensi
serupa, masuk akal untuk membedakan antara K tetangga
terdekat saat membuat prediksi, yaitu, biarkan titik terdekat
di antara K tetangga terdekat memiliki lebih banyak
pengaruh dalam mempengaruhi hasil titik kueri. Ini dapat
dicapai dengan memperkenalkan satu set bobot W, satu
untuk setiap tetangga terdekat, yang ditentukan oleh
kedekatan relatif dari setiap tetangga sehubungan dengan
titik kueri. Dengan demikian:
(−   ,   )
 ,   =  
=1   (−   ,   )
Di mana   ,    adalah jarak antara titik queryXdanSaya
kasus thPSayadari contoh sampel. Jelas bahwa bobot
yang didefinisikan dengan cara di atas akan
memenuhi:
 
 0,   = 1
 =1
Jadi, untuk masalah regresi, kami memiliki:
 
 =  0,      tingkat kesalahan bersyarat ketika K = 1. Devroye dan
 =1
Untuk masalah klasifikasi, diambil nilai maksimum dari
persamaan di atas untuk masing-masing kelas variabel. Jelas
dari pembahasan di atas bahwa ketika K>1, seseorang dapat
secara alami menentukan standar deviasi untuk prediksi
dalam tugas regresi menggunakan,
1 menggeneralisasikan hasil Sampul ke dimensi umum, dan
    = ∓ (  −   )2  Snapp serta Venkatesh selanjutnya memperluas hasilnya ke
−1
 =1
AKU AKU AKU. Keuntungan dan kerugian
3.1 Keuntungan
KNN memiliki beberapa keunggulan utama:
kesederhanaan, efektivitas, intuisi, dan kinerja
klasifikasi kompetitif di banyak domain.Ini Kuat
untuk data pelatihan yang berisik dan efektif jika
data pelatihannya besar.
3.2 Kerugian
Terlepas dari kelebihan yang diberikan di atas, KNN
memiliki beberapa keterbatasan. KNN dapat memiliki kinerja run-
time yang buruk saat set pelatihan berukuran besar. Ini sangat
sensitif terhadap fitur yang tidak relevan atau berlebihan karena
www.ijera.com
www.ijera.com
semua fitur berkontribusi pada kesamaan dan dengan
demikian pada klasifikasi. Dengan pemilihan fitur atau
pembobotan fitur yang hati-hati, hal ini dapat dihindari. Dua
kelemahan lain dari metode ini adalah:
- Pembelajaran berbasis jarak tidak jelas jenis jarak mana
yang digunakan dan atribut mana yang digunakan untuk
menghasilkan hasil terbaik.
- Biaya komputasi cukup tinggi karena kita perlu
menghitung jarak setiap instance query ke semua
sampel training.
IV. Latar belakang sejarah
Klasifikasi KNN dikembangkan dari
kebutuhan untuk melakukan analisis
diskriminan ketika perkiraan kepadatan
probabilitas parametrik yang dapat diandalkan
tidak diketahui atau sulit ditentukan. Dalam
laporan US Air Force School of Aviation Medicine
yang tidak dipublikasikan pada tahun 1951, Fix
dan Hodges memperkenalkan metode non-
parametrik untuk klasifikasi pola yang kemudian
dikenal dengan aturan k-nearest neighbor.
Mereka memperkenalkan pendekatan baru
untuk klasifikasi nonparametrik dengan
mengandalkan 'jarak' antara titik atau distribusi.
Ide dasarnya adalah untuk mengklasifikasikan
individu ke dalam populasi yang sampelnya
berisi mayoritas 'tetangga terdekat'. Kemudian
pada tahun 1967, beberapa sifat formal dari
aturan k-nearestneighbor dikerjakan; misalnya
memberikan batas atas untuk batas risiko
pengklasifikasi tetangga terdekat.
Wagner dan Fritz memperlakukan konvergensi dari
Wagner mengembangkan dan mendiskusikan properti
teoretis, khususnya masalah konsistensi matematis, untuk
aturan K-nearest-neighbor. Devroye menemukan ikatan
asimtotik untuk penyesalan sehubungan dengan
pengklasifikasi Bayes. Devroy et al. memberikan gambaran
yang sangat umum tentang konsistensi yang kuat untuk
metode tetangga terdekat. Psaltis, Snapp, dan Venkatesh
kasus beberapa kelas. Bax memberikan batas probabilistik
untuk tingkat kesalahan bersyarat dalam kasus di mana K = 1.
Kulkarni dan Posner membahas metode tetangga terdekat
untuk data dependen yang cukup umum, dan Holst dan Irle
menyediakan
rumus untuk batas tingkat kesalahan dalam kasus
data yang bergantung. Penelitian terkait termasuk Györfi
dan Györfi dan Györfi, yang menyelidiki tingkat
konvergensi risiko Bayes ketika K cenderung tak
terhingga ketika T meningkat.
Karya terbaru tentang properti pengklasifikasi
sebagian besar berfokus pada menurunkan batas
atas dan bawah untuk disesalkan dalam kasus di
mana masalah klasifikasi relatif sulit, misalnya, di
mana batas klasifikasi relatif tidak mulus.
608|Halaman
SB Imandoust dkk. Int. Journal of Engineering Research and Applications Vol. 3,
Edisi 5, Sep-Okt 2013, hlm.605-610
Penelitian Audibert dan Tsybakov serta Kohler dan
Krzyzak, misalnya, termasuk dalam kategori ini. Karya
Mammen dan Tsybakov, yang memungkinkan
kehalusan masalah klasifikasi bervariasi dalam
kontinum, membentuk semacam jembatan antara
kasus halus, yang kami tangani, dan kasus kasar..
V. Aplikasi
KNN sebagai teknik data mining memiliki
berbagai macam aplikasi dalam klasifikasi maupun
regresi. Beberapa aplikasi dari metode ini
disebutkan di bawah ini:
5.1 Penambangan teks
Algoritma KNN adalah salah satu algoritma paling
populer untuk kategorisasi teks atau penambangan teks.
Beberapa karya terbaru tentang topik ini misalnya. Jumlah
yang berbeda dari tetangga terdekat digunakan untuk kelas
yang berbeda dalam pendekatan ini, bukan nomor tetap di
semua kelas. Dengan cara ini, satu-satunya parameter yang
perlu dipilih oleh pengguna saat menggunakan KNN, nilai K,
menjadi kurang masuk akal dan karenanya tidak perlu dipilih
secara hati-hati seperti pada algoritma standar. Memang,
probabilitas bahwa sampel yang tidak diketahui milik suatu
kelas dihitung dengan hanya menggunakan beberapa
tetangga terdekat Kn teratas untuk kelas itu. Nilai Kn
diturunkan dari K sesuai dengan ukuran kelas yang
bersesuaian dalam training set. KNN yang dimodifikasi ini
efisien dan kurang masuk akal terhadap nilai K saat
diterapkan pada masalah penambangan teks.
5.2 Pertanian
Secara umum, KNN diterapkan kurang dari teknik
penambangan data lainnya di bidang terkait pertanian.
Ini telah diterapkan, misalnya, untuk mensimulasikan
curah hujan harian dan variabel cuaca lainnya. Aplikasi
lain yang menarik adalah evaluasi inventarisasi hutan dan
pendugaan variabel hutan. Dalam aplikasi tersebut,
digunakan citra satelit, dengan tujuan untuk memetakan
tutupan lahan dan penggunaan lahan dengan beberapa
kelas diskrit. Aplikasi lain dari metode k-NN di bidang
pertanian meliputi prakiraan iklim dan pendugaan
parameter air tanah.
5.3 Keuangan
Penambangan data sebagai proses menemukan
pola dan korelasi yang berguna memiliki ceruknya sendiri
dalam pemodelan keuangan. Mirip dengan metode
komputasi lainnya hampir setiap metode dan teknik
penambangan data telah digunakan dalam pemodelan
keuangan. Daftar lengkap mencakup berbagai model
linier dan nonlinier jaringan saraf multi-lapisan, k-means
dan pengelompokan hierarkis, k-tetangga terdekat,
analisis pohon keputusan, regresi (regresi logistik, regresi
berganda umum), ARIMA, analisis komponen utama, dan
pembelajaran Bayesian.
Peramalan pasar saham adalah salah satu yang paling banyak
tugas keuangan inti KNN. Peramalan pasar saham
mencakup mengungkap tren pasar, merencanakan
strategi investasi, mengidentifikasi yang terbaik
www.ijera.com
www.ijera.com
waktu untuk membeli saham, dan saham apa yang akan
dibeli.
Beberapa aplikasi KNN lainnya di bidang keuangan
disebutkan di bawah ini:
- Peramalan pasar saham: Memprediksi harga
saham, berdasarkan ukuran kinerja
perusahaan dan data ekonomi.
- Nilai tukar mata uang
- Kebangkrutan bank
- Memahami dan mengelola risiko keuangan
- Perdagangan berjangka
- Peringkat kredit
- Manajemen pinjaman
- Profil nasabah bank
- Analisis pencucian uang
5.4 Obat
- Memprediksi apakah seorang pasien, yang dirawat di
rumah sakit karena serangan jantung, akan mengalami
serangan jantung kedua. Prediksi harus didasarkan
pada demografi, diet, dan pengukuran klinis untuk
- pasien tersebut. Perkirakan jumlah glukosa dalam darah
penderita diabetes, dari spektrum serapan infra merah
darah orang tersebut.
- Identifikasi faktor risiko kanker prostat,
berdasarkan variabel klinis dan demografis.
Algoritma KNN juga telah diterapkan
untuk menganalisis data ekspresi gen micro-array,
dimana algoritma KNN telah digabungkan dengan
algoritma genetika, yang digunakan sebagai alat
pencarian. Aplikasi lain termasuk prediksi
aksesibilitas pelarut dalam molekul protein, deteksi
intrusi dalam sistem komputer, dan pengelolaan
database objek bergerak seperti komputer dengan
koneksi nirkabel.
Pengakuan
Penelitian ini telah dilakukan oleh Hibah
Keuangan Payame Noor.
Referensi
[1] Audibert, JY & Tsybakov, AB (2007) "Cepat
tingkat pembelajaran untuk pengklasifikasi plug-in di
bawah kondisi margin", Ann. Statist, 35: 608–633.
[2] Bailey, T. & Jain, A. (1978) "Catatan tentang aturan k-
Nearest Neighbor dengan bobot jarak",
Trans IEEE. Sistem, Manusia, Sibernetika, 8:
311-313.
[3] Baoli, L., Shiwen, Y. & Qin, L. (2003) "Algoritma K-
Nearest Neighbor yang Ditingkatkan untuk
Kategorisasi Teks, e-print Ilmu Komputer
ArXiv.
[4] Bauer, ME, Burk, TE, Ek, AR, Coppin,
PR Lime, SD, Walsh, TA, Walters, DK,
Befort, W. & Heinzen, DF (1994)
"Inventarisasi Satelit Sumber Daya Hutan
Minnesota", Rekayasa Fotogrametri dan
Penginderaan Jauh, 60(3): 287–298.
609|Halaman
 SB Imandoust dkk. Int. Journal of Engineering Research and Applications Vol. 3,
Edisi 5, Sep-Okt 2013, hlm.605-610
[5] Bax, E. (2000) "Validasi pengklasifikasi tetangga
terdekat", IEEE Trans. Memberitahukan. Teori, 46:
2746–2752.
[6] Benetis, R., Jensen, C., Karciauskas, G. &
Saltenis, S. (2006) "Kueri Tetangga
Terdekat dan Terbalik untuk Benda
Bergerak", Jurnal Internasional tentang
Basis Data Sangat Besar, 15(3) : 229–250.
[7] Bermejo, T. & Cabestany, J. (2000) "Pengklasifikasi
soft k-Nearest Neighbor yang adaptif",
Pengenalan Pola, 33: 1999-2005.
[8] Chitra, A. & Uma, S. (2010) "An Ensemble Model
of Multiple Classifiers for Time Series
Prediction", Jurnal Internasional Teori dan
Teknik Komputer, 2(3): 1793-8201.
[9] Sampul, TM (1968) "Tingkat konvergensi untuk
prosedur tetangga terdekat", Dalam
Prosiding Konferensi Internasional Hawaii
tentang Ilmu Sistem, Univ. Hawaii Press,
Honolulu, 413–415.
[10] Sampul, TM & Hart, PE (1967) "Klasifikasi
pola tetangga terdekat", IEEE Trans.
Inf. Teori, 13: 21–27.
[11] Devroye, L. (1981) "Pada kemungkinan
kesalahan asimtotik dalam diskriminasi
nonparametrik", Ann. Statis, 9: 1320–1327.
[12] Devroye, L. (1981) "Tentang kesetaraan Cover dan
Hart dalam diskriminasi tetangga terdekat",
Trans IEEE. Pola Anal. Mesin lntell. 3: 75-
78.
[13] Devroye, L., Gyorfi, L., Krzyzak, A. & Lugosi,
G. (1994) "Pada konsistensi universal yang
kuat dari estimasi fungsi regresi tetangga
terdekat", Ann. Statis, 22: 1371– 1385.
[14] Devroye, L. & Wagner, TJ (1977) "Konsistensi
seragam yang kuat dari estimasi kepadatan
tetangga terdekat", Ann. Statis., 5: 536–540.
[15] Devroye, L. & Wagner, TJ (1982) "Metode
tetangga terdekat dalam diskriminasi,
Dalam Klasifikasi, Pengenalan Pola, dan
Pengurangan Dimensi", Handbook of
Statistics, 2: 193–197. Belanda Utara,
Amsterdam.
[16] Domeniconi, C., Peng, J. & Gunopulos, D.
(2002) "Klasifikasi tetangga terdekat
metrik adaptif lokal", Transaksi IEEE pada
Analisis Pola dan Kecerdasan Mesin. 24(9):
1281–1285.
[17] Dudani, SA (1976) "The distance-weighted k-
nearest neighbor rule", IEEE Transactions on
System, Man, and Cybernetics, 6: 325-327.
[18] Eldestein, HA (1999) "Pengantar Penambangan
Data dan Penemuan Pengetahuan", Two
Crows Corporation, AS, ISBN: 1-892095- 02-5.
[19] Enas, GG & Choi, SC (1986) "Pilih parameter
pemulusan dan efisiensi klasifikasi K-
Nearest Neighbor", Comp & Maths with
Apps, 12(2): 235-244.
[20] Perbaiki, E. & Hodges, JL (1951) "Diskriminasi
Nonparametrik: Properti Konsistensi",
www.ijera.com
Lihat statistik publikasi
www.ijera.com
Randolph Field, Texas, Proyek 21-49-004,
Laporan No.4.
[21] Fritz, J. (1975) "Kesalahan eksponensial bebas
distribusi terikat untuk klasifikasi pola tetangga
terdekat", IEEE Trans. Memberitahukan. Teori,
21: 552–557.
[22] Fukunaga, K. & Hostetler, L. (1975) "estimasi
risiko knearest-neighbor Bayes", IEEE
Trans. Teori Informasi, 21(3): 285-293.
[23] Gil-Garcia, R. & Pons-Porrata, A. (2006) "Aturan
Tetangga Terdekat Baru untuk Kategorisasi
Teks", Catatan Kuliah di Ilmu Komputer 4225,
Springer, New York, 814–823.
[24] Guo, G., Wang, H., Bell, D., Bi, Y. & Greer,
K., (2006) "Menggunakan Model KNN untuk
Kategorisasi Teks Otomatis", Soft Computing
– Penggabungan Fondasi, Metodologi, dan
Aplikasi 10(5): 423–430.
[25] Gou, J., Du, L. Zhang, Y. & Xiong, T. (2012) "A
New Distance-weighted k-nearest Neighbor
Classifier", Journal of Information &
Computational Science, 9(6): 1429 -1436.
[26] Gyorfi, L. (1978) "Pada tingkat konvergensi aturan
tetangga terdekat", IEEE Trans.
Memberitahukan. Teori, 24: 509–512.
[27] Gyorfi, L. (1981) "Tingkat konvergensi
estimasi regresi k−NN dan aturan
klasifikasi", IEEE Trans. Teori Informasi, 27:
362–364.
[28] Gyorfi, L. & Gyorfi, Z. (1978) "Sebuah batas atas
probabilitas kesalahan asimptotik dari aturan
k-Nearest Neighbor untuk beberapa kelas",
IEEE Trans. Memberitahukan. Teori, 24: 512–
514.
[29] Hall, P., Park, BU & Samworth, RJ (2008) "Pilihan
urutan tetangga dalam klasifikasi tetangga
terdekat", Annals of Statistics, 36(5):
2135-2152.
[30] Hastie, T., Tibshirani, R. & Friendman, J.
(2009) "Elemen Pembelajaran Statistik:
Penambangan Data, Inferensi dan Prediksi",
Springer, Stanford, CA, USA, ISBN:
978-0-387-84858-7.
[31] Hellman, ME, (1970) "Aturan klasifikasi tetangga
terdekat dengan opsi tolak", IEEE Trans. Sistem,
Manusia, Sibernetika, 3: 179-185.
[32] Hill, T. & Lewicki, P. (2007) "Statistik: Metode
dan Aplikasi", Statsoft, Tulsa,
OKE. (Versi Electric tersedia di:
www.statsoft.com/textbook/k-
nearestneighbors/ )
610|Halaman