46
Sep erti algoritma-algoritma
mach ine learning lainny a, K-Nearest Neighbor
Classifier
dih adap kan p ada satu
masalah
utama, y aitu
lamany a
waktu p roses
klasifikasi.
Hal ini
dikar enakan K-Nearest N eighbour Classifier men gukur jarak sp ektral setiap p iksel
ke semua
p
iksel
y
ang ada
dalam d aerah
samp el.
Waktu p roses
klasifikasi
akan
semak in
lama seir in g
semakin bany akny a jumlah
saluran (band), bertambah
besarny a ukuran
daerah samp el dan
bertambahny a
jumlah kelas
y
an g ak an d iklasif ikasikan.
Sep erti
y
ang
diungk ap kan oleh
Richards
and
Jia (2006,p 208) " ...that (K-Nearest Neighbour
Classifier)
requires
an impractica lly h igh computa tional
load, especially when
the number o f
spectral bands and/or the number of train ing samples is large" .
Kemungk inan
metode
y
ang
d
ap at dilakukan
untuk
men gef isiensikan
waktu
eksekusi K-Nearest Neighbour C lassifier ad alah d en gan memodif ikasi algoritma p en gukur
jarak
sp ektral
p
ada
algoritma
ini.
Umumny a
K-Nearest
Neighbour Classifier
men ggunakan
Euclidean
Distance
sebagai
metode
p
engukur
jarak
sp ektral.
Akan
tetap i,
metode p engukur
jar ak sp ektral lainny a sep erti Manhattan Distance ju ga dap at
digunak an
dalam
K-N earest
Neighbour
Classifier.
Manhattan
Distance
memiliki
bentuk
formulas
i
y
ang
lebih
sederh ana
dib andin gkan d en gan Eu clid ean Distance. Dilihat
dari bentuk
p
ersamaan matematisny a, sudah dap at dip rediksi bahwa algor itma p engukur jarak
sp ektral
ini akan
memilik i
waktu kalkulasi
y
an g leb ih
cep at
dibandin g
Eu clid ean Distance.
M
eskip un demikian, tentuny a akurasi hasil klasifik asiny a masih p erlu dip ertany akan.
Distance
Space
berfun gsi
untuk
men gh itung
jarak
antara
data
dan
sentroid.
Ada
beberap a
macam distance
space
y
ang
sudah
d
iimp lementasikan
diantarany a
adalah :
Manhattan/City Block distance space dan Eu clid ean distance space.
 |