Model yang dapat digunakan untuk aplikasi ini adalah Adaline, LVQ, Backpropagation, dll.
b. Pengenalan pola
Model yang dapat digunakan untuk aplikasi ini adalah ART Adaptive Resonance Theory, LVQ, Backpropagation, Neocognitron, dan lain
– lain. c.
Peramalan Model yang dapat digunakan untuk aplikasi ini adalah Adaline, Madaline,
Backpropagation, dll. d.
Optimisasi Model yang dapat digunakan untuk aplikasi ini adalah Adaline, Hopfield, Boltzman,
Backpropagation, dll.
2.2 Metode Kohonen
Jaringan yang ditemukan oleh Kohonen merupakan salah satu jaringan yang banyak dipakai. Jaringan Kohonen dipakai untuk membagi pola masukan kedalam beberapa
kelompok.
2.2.1 Arsitektur Jaringan Kohonen
Misalkan masukan berupa vektor yang terdiri dari n komponen yang akan dikelompokkan dalam maksimum m buah kelompok disebut vektor contoh. Keluaran
jaringan adalah kelompok yang paling dekat dengan masukan yang diberikan. Ada beberapa ukuran kedekatan yang dapat dipakai. Ukuran yang sering dipakai adalah
jarak Euclidean yang paling minimum. Bobot
– bobot vektor contoh berfungsi sebagai penentu kedekatan vektor contoh tersebut dengan masukan yang diberikan. Selama proses pengaturan, vektor contoh
yang pada saat itu paling dekat dengan masukan akan muncul sebagai pemenang. Vektor pemenang dan vektor - vektor sekitarnya akan dimodifikasi bobotnya.
Arsitektur jaringan Kohonen tampak dalam gambar 2.5. Arsitektur ini mirip dengan model lain. Hanya saja jaringan Kohonen tidak menggunakan perhitungan net hasil
kali vektor masukan dengan bobot maupun fungsi aktivasi Siang, 2005.
Universitas Sumatera Utara
Gambar 2.5 Arsitektur jaringan kohonen Fausett, 1993
2.2.2 Algoritma Jaringan Kohonen
Algoritma pengelompokan pola jaringan Kohonen adalah sebagai berikut Siang, 2005.
0. Inisialisasi
bobot acak. laju pemahaman awal dan faktor penurunannya.
bentuk dan jari – jari R topologi sekitarnya.
1. Selama kondisi penghentian bernilai salah, dilakukan langkah 2 – 7.
2. Untuk setiap vektor masukan x, dilakukan langkah 3 – 5.
3. Dihitung �
= ∑ −
........................................................................... 2.2 untuk semua j.
4. Ditentukan indeks j sedemikian hingga Dj minimum.
5. Untuk setiap unit j di sekitar j dimodifikasi bobot :
= + �
− ..................................................................... 2.3
6. Dimodifikasi laju pemahaman.
7. Diuji kondisi penghentian.
Kondisi pengentian iterasi adalah selisih antara saat itu dengan
pada iterasi sebelumnya. Apabila semua
hanya berubah sedikit saja, berarti iterasi sudah mencapai konvergensi sehingga dapat dihentikan.
Universitas Sumatera Utara
Keterangan notasi diatas sebagai berikut. : input vektor
: bobot untuk setiap input vektor α
: laju pemahaman
2.3 Metode Adaptive Resonance Theory ART
