{"id":895,"date":"2025-07-22T03:40:36","date_gmt":"2025-07-22T03:40:36","guid":{"rendered":"https:\/\/binus.ac.id\/malang\/computer-science\/?p=895"},"modified":"2025-07-22T03:41:51","modified_gmt":"2025-07-22T03:41:51","slug":"saat-mesin-bertanya-siapa-tetanggaku-yang-terdekat","status":"publish","type":"post","link":"https:\/\/binus.ac.id\/malang\/computer-science\/2025\/07\/22\/saat-mesin-bertanya-siapa-tetanggaku-yang-terdekat\/","title":{"rendered":"Saat Mesin Bertanya: Siapa Tetanggaku yang Terdekat?"},"content":{"rendered":"

\"\"<\/p>\n

Bayangkan sebuah mesin yang setiap harinya menerima data baru: data kesehatan, gambar, atau sekadar angka-angka. Ketika data baru itu datang, si mesin mulai \u201cberpikir\u201d : \u201cData ini mirip dengan siapa, ya?\u201d<\/em> Atau dalam istilah algoritma machine learning: siapa tetangga terdekatku?<\/strong><\/p>\n

Inilah prinsip dasar dari salah satu algoritma populer di dunia kecerdasan buatan, yaitu K-Nearest Neighbor (K-NN)<\/strong>. Algoritma ini mengambil keputusan berdasarkan kedekatan data satu dengan data lainnya. Namun, tunggu dulu, apa sebenarnya yang dimaksud dengan \u201cdekat\u201d? Apakah semua jarak itu sama bagi mesin?<\/p>\n

Jawabannya: tidak<\/strong>. Mesin memiliki berbagai cara untuk mengukur jarak, dan masing-masing cara bisa menghasilkan keputusan yang berbeda. Cara-cara itu disebut sebagai distance metrics<\/strong>.<\/p>\n

Apa Itu Distance Metrics?<\/strong><\/h2>\n

Distance metrics<\/strong> adalah metode matematis yang digunakan untuk mengukur seberapa dekat<\/em> dua data dalam ruang berdimensi. Setiap metrik memiliki pendekatannya sendiri, dan penting bagi seorang data scientist atau praktisi machine learning untuk memilih metrik yang paling sesuai dengan karakteristik datanya.<\/p>\n

Mari kita bahas beberapa jenis metrik yang sering digunakan dalam algoritma K-NN, dan bagaimana cara mereka \u201cmelihat\u201d jarak.<\/p>\n

1. Euclidean Distance<\/strong>: Jarak Garis Lurus<\/h2>\n

Ini adalah metrik yang paling umum dan mudah dipahami. Euclidean distance mengukur jarak lurus antara dua titik, seperti menarik penggaris dari titik A ke titik B.<\/p>\n

Contoh: jika data A berada di koordinat (1, 2) dan data B di (4, 6), maka Euclidean distance akan menghitung panjang sisi miring dari segitiga yang terbentuk.<\/p>\n

Metrik ini cocok digunakan jika semua fitur memiliki skala yang sama dan distribusi data relatif seimbang.<\/p>\n

2. Manhattan Distance<\/strong>: Jalan Blok Kota<\/h2>\n

Pernah berjalan di kota dengan jalan-jalan berbentuk kotak seperti papan catur? Itulah analogi Manhattan distance. Jarak dihitung berdasarkan langkah horizontal dan vertikal, bukan diagonal.<\/p>\n

Metrik ini lebih tahan terhadap outlier<\/strong>, karena tidak memperbesar efek perbedaan kecil secara drastis seperti Euclidean.<\/p>\n

3. Minkowski Distance<\/strong>: Si Serbaguna<\/h2>\n

Minkowski adalah metrik umum yang dapat berperan sebagai Euclidean ataupun Manhattan, tergantung pada nilai parameternya (biasanya disebut nilai p<\/em>).<\/p>\n