4

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : 2086 4981
VOL. 2 NO. 1 SEPTEMBER 2010

42

PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE
NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN
KUALITAS BATIK TULIS

Nesi Syafitri
1

ABSTRACT

Various problem that are related to classification object can be solve
easier with using classification techniques. For example in the medical field,
classification application can be applied to classify diseases level of patient so
that easier for a doctor to give right therapy solution And in industries field and
trading of batik, classification application needed to assignment of batik tulis
quality.
To solve such classification problem, several methods have been applied.
In soft computing field, there are many classification technique has been
improved. So, classification process can be done relatively faster with using
precise classification algorithm.
In this research two classification methods for classify quality of batik tulis,
k-nearest neighbor and nearest cluster classifier are compared. K-nearest
neighbor is a method that based on probabilistic approach and nearest cluster
classifier is a method that based on similarity. Focus of this research is a
accuration ratio or succes ratio that result it. The result of this research showed
that classification in quality of batik tulis with k-nearest neighbor method is better
than nearest cluster classifier method in rate of accuration ratio or succes ratio.

Keywords : Classification, k-nearest neighbor, nearest cluster classifier,
probabilistic approach, similarity, accuration ratio.

INTISARI

Berbagai kasus yang berkaitan dengan pengelompokkan objek dapat
diselesaikan lebih mudah dengan menerapkan teknik-teknik klasifikasi. Sebagai
contoh pada bidang medis, aplikasi klasifikasi dapat digunakan untuk klasifikasi
tingkat penyakit yang diderita oleh seorang pasien sehingga memudahkan dokter
dalam memberikan solusi terapi yang tepat. Dan di dunia industri dan
perdagangan batik, aplikasi klasifikasi juga dibutuhkan untuk menentukan
kualitas batik.
Untuk memecahkan masalah klasifikasi, berbagai macam metode telah
diterapkan. Dibidang soft computing, mulai banyak dikembangkan juga teknik-
teknik klasifikasi. Sehingga proses klasifikasi dapat dilakukan dalam waktu yang
relatif lebih cepat dengan menggunakan algoritma klasifikasi yang tepat.
Dalam penelitian ini dibandingkan dua metode klasifikasi yaitu k-nearest
neighbor dan nearest cluster classifier untuk proses klasifikasi kualitas batik tulis.
Metode k-nearest neighbor adalah metode yang berdasarkan pada pendekatan

1
Dosen STMIK Indonesia Padang
43
probabilistik sedangkan nearest cluster classifier berdasarkan pada kemiripan.
Fokus penelitian ini adalah pada tingkat akurasi atau succes ratio yang dihasilkan
oleh masing-masing metode. Dari hasil penelitian menunjukkan bahwa klasifikasi
kualitas batik tulis dengan metode k-nearest neighbor menunjukkan tingkat
akurasi atau succes ratio yang lebih baik dibandingkan dengan metode nearest
cluster classifier.

Kata Kunci : Klasifikasi, k-nearest neighbor, nearest cluster classifier,
pendekatan probabilitas, similarity, tingkat akurasi.

44
PENDAHULUAN
Klasifikasi merupakan suatu
metode untuk mengelompokkan
sebuah objek ke dalam kelompok
atau kelas tertentu. Berbagai kasus
yang berkaitan dengan
pengelompokkan objek dapat
diselesaikan lebih mudah dengan
menerapkan teknik-teknik klasifikasi.
Sebagai contoh pada bidang
kesehatan, aplikasi klasifikasi dapat
digunakan untuk mengetahui tingkat
penyakit yang diderita oleh seorang
pasien sehingga memudahkan
dokter dalam memberikan solusi
terapi yang tepat. Pada bidang
ekonomi, aplikasi klasifikasi juga
dapat digunakan oleh sebuah bank
yang ingin mengetahui apakah
customer yang mengajukan kredit
termasuk dalam kategori customer
yang menguntungkan atau tidak.
Sementara itu dalam dunia
industri dan perdagangan batik di
Indonesia, prinsip-prinsip klasifikasi
juga dibutuhkan, seperti dalam
menentukan kualitas sebuah batik.
Kualitas suatu batik tidak dapat
langsung ditentukan begitu saja
secara visual. Untuk dapat
mengetahui kualitas dari suatu batik
yang dihasilkan maka perlu
dilakukan serangkaian pengujian
terlebih dahulu. Hasil pengujian
inilah yang kemudian akan
diklasifikasikan atau dikelompokkan
sehingga akhirnya ditemukan
kualitas dari suatu batik tersebut.
Pengujian kualitas suatu batik
dilakukan di Balai Besar Kerajinan
dan Batik Indonesia yang berada di
kota Yogyakarta. Parameter yang
digunakan dalam menguji kualitas
batik ini berdasarkan pada ketentuan
standar penilaian yang sudah
ditetapkan oleh Badan Standarisasi
Nasional (BSN).
Hingga saat ini, penilaian dan
penentukan kualitas dari sebuah
batik sangat dipengaruhi oleh
pengalaman dan kemampuan
pegawai yang bekerja di Balai Besar
Kerajinan dan Batik Indonesia.
Semakin berpengalaman pegawai
tersebut dalam menilai kualitas
suatu batik, maka semakin cepat
proses penentuan kualitas batik
yang diuji tersebut. Sebaliknya
apabila pegawai tersebut masih
belum berpengalaman, maka proses
pengklasifikasian kualitas batik
tersebut menjadi lebih lambat.
Dengan demikian keterlibatan
individu tersebut dapat dikatakan
masih sangat dominan dan proses
klasifikasi yang dilakukan juga masih
bersifat manual. Kenyataannya, jika
proses klasifikasi dilakukan secara
manual maka hal ini akan menjadi
sebuah pekerjaan yang
membutuhkan banyak waktu.
Dalam memecahkan masalah
klasifikasi, para ahli telah
mengembangkan berbagai metode
klasifikasi. Dibidang soft computing,
mulai banyak dikembangkan juga
teknik-teknik klasifikasi sehingga
proses klasifikasi dapat dilakukan
dalam waktu yang relatif lebih cepat
dengan menggunakan algoritma
klasifikasi yang tepat.
Namun di sisi lain, tidak semua
metode klasifikasi yang ada dapat
diterapkan pada semua kasus. Oleh
karena itu untuk menemukan
metode yang sesuai dan baik dalam
klasifikasi kualitas batik khususnya
pada batik tulis, maka pada
penelitian ini akan dibahas
perbandingan dua metode klasifikasi
yaitu k-nearest neighbor (KNN) dan
nearest cluster classifier (NCC).
Kedua metode ini akan dicoba
dalam pengklasifikasian kualitas
batik tulis. Metode yang memberikan
tingkat akurasi atau succes ratio
yang lebih baik, dapat dipilih sebagai
prototype dalam membangun
sebuah sistem klasifikasi kualitas
batik tulis pada Balai Besar
Kerajinan dan Batik Indonesia
nantinya.

45
PEMBAHASAN
Dalam proses klasifikasi
kualitas batik tulis ini akan
digunakan dua metode klasifikasi
yaitu metode k-nearest neighbor
(KNN) dan metode nearest cluster
classifier (NCC). Metode KNN
merupakan metode klasifikasi
berdasarkan probabilistik,
sedangkan metode NCC merupakan
metode klasifikasi berdasarkan
kemiripan. Penggunaan dua metode
tersebut bertujuan untuk melihat
perbandingan tingkat akurasi
(ketepatan) kedua model tersebut
dalam mengklasifikasikan objek.
Metode klasifikasi terbagi atas
supervised classification dan
unsupervised classification. Metode
KNN dan NCC termasuk ke dalam
supervised classification. Untuk
membangun sistem klasifikasi yang
bersifat supervised classification,
sebelumnya sistem harus memiliki
memori atau pengetahuan
menyangkut objek yang akan
diklasifikasikan. Representasi
memori atau pengetahuan ini dapat
dibangun melalui proses learning.
Dua tahapan yang harus dilalui
dalam proses learning adalah
tahapan pelatihan (training) dan
tahapan pengenalan (testing). Pada
fase pelatihan, sebagian data yang
telah diketahui kelas datanya
diumpankan untuk membentuk
model prediksi. Selanjutnya pada
fase pengenalan, fitur-fitur pada
objek baru atau yang disebut
sebagai data testing diujikan dengan
model prediksi yang terbentuk.
Pengujian yang dimaksud adalah
untuk mencari tingkat akurasi model
dalam melakukan klasifikasi.
Selanjutnya setelah model prediksi
yang diperoleh dianggap telah
sesuai maka proses klasifikasi objek
baru dapat dilakukan. Metode yang
digunakan untuk mengukur
kemiripan tersebut adalah dengan
metode jarak euclidean distance dan
metode classifier yang dipilih adalah
metode k-nearest neighbor dan
nearest cluster classifier.

Klasifikasi dengan Metode K-
Nearest Neightbor (KNN)
K-Nearest Neighbor (KNN)
merupakan algoritma supervised
learning dimana output dari suatu
data baru diklasifikasikan
berdasarkan kelompok mayoritas
dari k buah tetangga terdekat.
Tujuan dari algoritma ini adalah
mengelompokkan data baru
berdasarkan atribut dan data training
[1].
Algoritma metode KNN
sangatlah sederhana, bekerja
berdasarkan pada jarak terpendek
dari objek query ke training sample
untuk menentukan sejumlah k-
neighbor pointnya. Setelah
mengumpulkan k-neighbor point,
kemudian diambil mayoritas dari k-
neighbor point untuk dijadikan
prediksi dari objek query. Untuk
mendapatkan nilai k yang optimal
dapat digunakan optimasi
parameter, misalnya dengan
menggunakan k-fold cross
validation.
Pada KNN, classifier tidak
menggunakan model apapun untuk
dicocokkan dan hanya berdasarkan
pada memori. Proses training tidak
dilakukan pada metode ini, tapi
langsung proses testing. Sebuah
objek query diberikan kemudian
akan dihitung jaraknya dengan
masing-masing training sample dan
kemudian diambil sejumlah k
neighbor point yang paling dekat
dengan objek query. Klasifikasi
menggunakan voting terbanyak di
antara klasifikasi dari k neighbor
point terdekat.

K-Fold Cross Validation
Cross validation digunakan
dalam rangka menemukan
parameter terbaik dari satu model.
Ini dilakukan dengan cara menguji
besarnya error pada data testing.
Dalam cross validation, data dibagi
46
ke dalam k sampel dengan ukuran
yang sama. Dari k subset data yang
digunakan akan dipakai k-1 sampel
sebagai data training dan 1 sampel
sisanya untuk data testing.
Selanjutnya dilakukan proses
training dan testing kemudian
dihitung rata-rata error (error mean).
Setiap running akan ditemukan error
untuk data testing, model yang
memberikan rata-rata error terkecil
dipilih menjadi metode terbaik.
Persamaan yang dapat
digunakan untuk menghitung rata-
rata dan standar deviasi error dapat
dinyatakan sebagai berikut [2]:
a. Mean :

=
=
n
i
Ui
n
m
1
1

(2.1)
b. Variansi :

=
n
i
m Ui
n
v
1
2
) (
1
1

(2.2)
c. Standar deviasi :
v = o
(2.3)

Klasifikasi dengan Metode
Nearest Cluster Classifier (NCC)
Algoritma NCC merupakan
algoritma untuk mengklasifikasikan
suatu objek berdasarkan jarak
terdekatnya dengan suatu pusat
cluster. Metode ini juga disebut
dengan minimum euclidean distance
classifier [3]. Pada metode NCC
proses learning dilakukan untuk
menemukan model prediksi yang
tepat. Pada awal fase pelatihan
(training), semua data training
dipartisi ke dalam beberapa cluster
yang telah ditentukan dan kemudian
dicari pusat cluster dari masing-
masing cluster yang terbentuk.
Untuk membentuk cluster dan
menemukan pusat cluster dari data
training, dihitung dengan
menggunakan salah satu metode
clustering yaitu metode Fuzzy C-
Means (F-CM). Setelah cluster
terbentuk dan pusat cluster
diketahui, selanjutnya akan
ditentukan tingkat probabilitas dari
setiap kelas terhadap suatu cluster,
dengan persamaan yaitu:
n(K)
n(JK)
(JK) P =

Dimana:
P(JK) = Probabilitas suatu kelas j
terhadap cluster k
n(JK) = Banyaknya anggota kelas j
yang masuk pada cluster k
n(K) = Ruang sampel yang
menunjukkan banyaknya anggota
dari cluster k.
Selanjutnya pada proses
pengenalan (testing), akan dihitung
jarak antara data testing dengan
setiap pusat cluster yang diperoleh.
Jarak dihitung dengan
menggunakan euclidean metric pada
persamaan 2.5:
Euclidean metric :
( )
=
=
N
i
i i Eucl
y x y x D
1
2
) , (
(2.5)

Menemukan Pusat Cluster dengan
metode Fuzzy C-Means
Untuk menemukan pusat
cluster dan anggota-anggota cluster
dengan menggunakan metode
Fuzzy C-Means (FCM), proses
diawali dengan menentukan jumlah
cluster yang akan dibentuk, batasan
error terkecil, fungsi objektif awal,
dan maksimum iterasi yang akan
dilakukan.
Pada iterasi pertama, pusat
cluster yang menandai lokasi rata-
rata untuk setiap cluster dan juga
derajat keanggotaan setiap data
training pada masing-masing cluster
ditentukan secara random / acak.
Derajat keanggotaan setiap data
pada masing-masing cluster
dijadikan sebagai elemen-elemen
matrik partisi. Pada awalnya, pusat
47
cluster yang terbentuk masih belum
akurat. Pusat cluster dan derajat
keanggotaan setiap titik data akan
diperbaiki secara berulang-ulang
sampai ditemukan pusat cluster
yang tepat. Perulangan akan terus
dilakukan selama selisih fungsi
objektif masih lebih besar dari batas
error terkecil yang telah ditetapkan
atau banyak iterasi masih kecil dari
maksimum iterasinya. Selisih fungsi
objektif diperoleh dari pengurangan
fungsi objektif terakhir dengan
fungsi objektif sebelumnya. Setelah
data menuju lokasi cluster yang
tepat maka proses pun berhenti.
Output yang diperoleh adalah
deretan pusat cluster dan derajat
keanggotaan untuk setiap data.

Berikut ini algoritma proses
clustering dengan metode FCM:
1. Diawal proses cluster tentukan
jumlah cluster, maksimum
iterasi, error terkecil, fungsi
objektif awal, iterasi awal.
2. Bangkitkan bilangan random
ik
, i
= 1,2,...,n; k=1,2,...,c; sebagai
elemen-elemen matrik partisi
awal U. Hitung jumlah setiap
kolom (atribut):
k
c
k
ij
1
ij
Q

=
=

dengan j = 1,2,...,m.

Hitung:

ij
ik
k
Q
=
i
new

3. Hitung pusat cluster ke-k : V
kj
,
dengan k= 1,2,...,c; dan j =
1,2,...,m
=
=
=
n
i
w
ik
n
i
ij
w
ik
kj
X
V
1
1
) (
) * ) ((

4. Hitung fungsi obyektif pada
iterasi ke-t, P
t
:
) ) ( * ] ) V X ( ([ P
i
2
1 1 1
t
w
k kj
n
i
c
k
m
j
ij
=

= = =

5. Hitung perubahan matriks partisi:
=

=

=
c
1 k
m
1 j
1 w
1
]
2
) V (X [
m
1 j
1 w
1
]
2
) V (X [
ik
kj ij
kj ij

Dengan i = 1,2,...,n; dan k =
1,2,...,c

6. Cek kondisi:
a. Jika ( | P
t
( P
t-1
)| < ) atau (
t > MaxIter ) maka proses
berhenti;
b. Jika tidak t = t +1, maka
ulangi langkah ke-4

Pengujian Tingkat Akurasi
Pengujian tingkat akurasi
yang dimaksud adalah untuk
menemukan persentase ketepatan
dalam proses pengklasifikasian
terhadap data testing yang diuji.
Tingkat akurasi dihitung dengan
menggunakan rumus:
% 100 *
tp
match
ac
=

Dimana:
ac = tingkat akurasi ( %)
E match = Jumlah klasifikasi yang
benar
E tp = Jumlah data testing

Pengujian Sistem Pembentuk
Kelas
Pengujian sistem pembentuk
kelas dilakukan untuk mengetahui
seberapa besar keberhasilan sistem
ini pada masing-masing metode.
Pengujian sistem pembentuk kelas,
dengan menggunakan data training
dan data testing. Tiap-tiap data
training akan diuji dengan setiap
data testing. Perlakuan sampel pada
sistem pembentuk kelas yang
digunakan pada fase training dan
48
fase testing untuk kelompok uji batik
tulis adalah seperti yang terlihat
pada Tabel 1:
Tabel 1. Sampel pada Kelompok Uji Batik Tulis

Kelompok
Uji
Indeks
training
ke-
Banyak
Sampel
Indeks
testing
ke-
Banyak
sampel
Kelompok
Batik Tulis
1 100 1 100
2 60 2 60
3 80 3 80

4 50
5 35

Dari ketiga sampel training
ini, masing-masing akan diujikan
pada kelima sampel testing.
Sehingga ada 15 kali perlakuan
yang akan diperkenalkan pada
sistem pembentuk kelas untuk
kelompok uji batik tulis. Adapun
output proses training dan testing
yang terbentuk dengan
menggunakan metode K-NN dapat
dilihat hasilnya pada Tabel 2:

Tabel 2. Hasil Pengujian Kualitas Batik Tulis dengan metode KNN

Percobaa
n ke-
Indeks
training
ke-
Indeks
Testing
ke-
K
terbaik
Jml
Sample
testing
Cocok Beda Akurasi
(%)
1 1 1 1 100 100 0 100
2 1 2 1 60 60 0 100
3 1 3 1 80 80 0 100
4 1 4 1 50 50 0 100
5 1 5 1 35 35 0 100
6 2 1 1 100 100 0 100
7 2 2 1 60 60 0 100
8 2 3 1 80 80 0 100
9 2 4 1 50 50 0 100
10 2 5 1 35 35 0 100
11 3 1 1 100 100 0 100
12 3 2 1 60 60 0 100
13 3 3 1 80 80 0 100
14 3 4 1 50 50 0 100
15 3 5 1 35 35 0 100

Dari tabel diatas terlihat
dengan menggunakan metode KNN,
tingkat akurasi yang diperoleh 100%.
Artinya, semua data testing yang
diujikan dapat diklasifikasikan
dengan benar. Sedangkan dengan
metode NCC tingkat akurasi yang
diperoleh rata-rata hanya sebesar
89% seperti yang terlihat dalam
Tabel 3. Dengan metode NCC,
ternyata tidak semua data dapat
diklasifikasikan secara tepat,
walaupun data testing yang
digunakan sama persis dengan data
trainingnya.

49
Tabel 3. Hasil Pengujian Kualitas Batik Tulis dengan metode NCC
Percobaan
ke
Indeks
training
Indeks
Testing
Banyak
cluster
Jml
Sample
testing
Cocok Beda Akurasi
(%)
1 1 1 3 100 92 8 92
2 1 2 3 60 54 6 90
Percobaan
ke
Indeks
training
Indeks
Testing
Banyak
cluster
Jml
Sample
testing
Cocok Beda Akurasi
(%)
3 1 3 3 80 64 16 80
4 1 4 3 50 46 4 92
5 1 5 3 35 30 5 85.7143
6 2 1 3 100 90 10 90
7 2 2 3 60 53 7 88.3333
8 2 3 3 80 59 21 73.75
9 2 4 3 50 44 6 88
10 2 5 3 35 30 5 85.7143
11 3 1 3 100 98 2 98
12 3 2 3 60 56 4 93.3333
13 3 3 3 80 73 7 91.25
14 3 4 3 50 48 2 96
15 3 5 3 35 32 3 91.4286

Pada ketiga kelompok uji
dengan 45 kali perlakuan, sistem
pembentuk kelas dengan metode
KNN berhasil membentuk kelas lebih
baik dibandingkan dengan metode
NCC. Rata-rata keberhasilan sistem
dalam mengklasifikasi dengan
metode KNN adalah 99.38%,
sedangkan dengan metode NCC
rata-ratanya sebesar 86.58%.

Pengujian Sistem Klasifikasi

Pengujian sistem klasifikasi
ini dilakukan untuk mengetahui
tingkat keberhasilan sistem dalam
melakukan identifikasi dan klasifikasi
terhadap objek query / data baru.
Pada pengujian sistem klasifikasi
jenis batik tulis ini digunakan 50
sampel data uji, dengan rincian
seperti yang terlihat pada Tabel 4.

Tabel 4. Data sampel jenis batik tulis yang akan diuji coba
Sampel
ke-
Jumlah
cecek
Tebal
canting
Kelas Data
1 8 0.1 Batik Tulis Halus
10 10 1 Batik Tulis Halus
50
15 1 1.3 Batik Tulis Kasar
Sampel
ke-
Jumlah
cecek
Tebal
canting
Hasil Klasifikasi
Sistem
18 5 1.4 Batik Tulis Sedang
48 1 2 Batik Tulis Kasar

Dari 50 sampel data uji yang
diujikan pada sistem klasifikasi
kualitas batik tulis dengan metode
KNN, semua sampel dapat
diklasifikasikan dengan baik dan
benar pada masing-masing
pengujian. Sedangkan dengan
metode NCC, dari 50 sampel data uji
yang diujikan ternyata tidak semua
data dapat diklasifikasikan dengan
benar. Pada pengujian ini diperoleh
sampel ke-1, 8, 13 dan 31
diklasifikasikan pada kelompok yang
berbeda, hal ini seperti yang terlihat
pada Tabel 5. Dari pengujian ini
tingkat akurasi yang diperoleh
51
dengan menggunakan metode NCC adalah sebesar 92%
.

Tabel 5. Hasil Klasifikasi yang salah dengan metode KNN

Sampel
ke-
Jumlah
cecek
Tebal
canting
Kelas Data
52
Sampel
ke-
Jumlah
cecek
Tebal
canting
Kelas Data

Pada ketiga kelompok uji
dengan 9 kali percobaan diatas,
sistem klasifikasi dengan metode
KNN berhasil mengklasifikasikan
sampel lebih baik dibandingkan
dengan metode NCC. Rata-rata
keberhasilan sistem dalam
mengklasifikasi dengan metode KNN
adalah 99.11%, sedangkan dengan
metode NCC rata-rata keberhasilan
sistem dalam mengklasifikasikan
adalah sebesar 86.44%.

KESIMPULAN
Berdasarkan pengujian yang
dilakukan, implementasi metode
KNN pada sistem pembentuk kelas
dan sistem klasifikasi memberikan
hasil yang lebih baik dibandingkan
dengan menggunakan metode NCC.
Pada sistem pembentuk kelas
menggunakan metode KNN, semua
data testing dapat dikembalikan
dengan benar, baik untuk data
testing yang sama persis dengan
data trainingnya maupun data
testing yang berbeda dengan data
testingnya. Tingkat akurasi yang
diperoleh dari 45 kali pengujian rata-
rata mencapai 99.38% .
Sedangkan pada sistem
pembentuk kelas menggunakan
metode NCC, baik untuk data testing
yang sama persis dengan data
training maupun data testing yang
berbeda dengan data training tingkat
akurasi yang diperoleh hanya
mencapai 87% untuk 45 kali
pengujian yang telah dilakukan.
Semakin banyak jumlah data
training yang diperkenalkan pada
sistem, maka kemampuan sistem
mengenali data testing semakin
baik. Hal ini dibuktikan pada
pengujian dengan kelompok uji kain
mori, dimana jumlah data training
yang diujikan mulai dari 350, 440
hingga 770 data. Rata-rata tingkat
akurasi hampir sama yaitu 99.98%
dengan menggunakan metode KNN
dan 99.97% dengan menggunakan
metode NCC.
Untuk sistem klasifikasi pada
ketiga kelompok uji dengan
menggunakan metode KNN, sistem
berhasil mengklasifikasikan 50
sampel dengan benar dibandingkan
dengan menggunakan metode NCC.
Rata-rata keberhasilan sistem
klasifikasi dengan menggunakan
metode KNN adalah 99.11%
sedangkan dengan metode NCC
keberhasilannya hanya mencapai
86.44%.
Dalam penelitian ini mungkin
masih ditemukan beberapa
kekurangan, dan masih dapat
dikembangkan lagi dengan metode
lainnya. Salah satunya penggunaan
metode distance metric yang lain
untuk mengukur kemiripan atau
kedekatan antara vektor fitur dapat
dicoba pada penelitian berikutnya.
Selain itu juga pada metode NCC,
untuk menemukan pusat cluster
dapat dipergunakan metode
clustering lainnya.

53
DAFTAR PUSTAKA
[1] Teknomo, K. K-Nearest
Neighbors Tutorial, Tersedia di
situs:
http://people.revoledu.com/kar
di/ tutorial/KNN .2006. [25 Juni
2008]
[2]. Kusumadewi, S. Aplikasi
Logika Fuzzy untuk
Pendukung Keputusan, Graha
Ilmu, Yogyakarta. 2002.
[3]. Schowengert, R.A.,
Multispectral Classification,
Arizona. 2003.

4

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

4

Uploaded by

Copyright:

Available Formats

JURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : 2086 4981

VOL. 2 NO. 1 SEPTEMBER 2010

You might also like