Arsitektur Self Organizing Map

2.3 Arsitektur Self Organizing Map

Jaringan ini terdiri dari dua lapisan (layer), yaitu lapisan input dan lapisan output. Setiap neuron dalam lapisan input

Gambar.Linkdist pada topologi gridtop

B Mutu Portofolio

d. Jarak Manhattan (mandist) Jarak Manhattan Manhattan antara vector

C Mutu Tulisan di Blog

x(x 1 ,x 2 ,…,x n ) dan vector y(y 1 ,y 2 ,…,y ,…,y n ) didefinisikan

sebagai:

Jika x=(x 1 ,x 2 ) dan y=(y 1 ,y 2 ) menyatakan koordin yatakan koordinat neuron yang dibentuk melalui topologi tertentu, maka jarak rtentu, maka jarak Manhattan antara neuron x dan y adalah

Untuk penilaian soft skills mahasiswa, terlebih dahulu kita mahasiswa, terlebih dahulu kita perlu mengetahui pengertian dari mahasiswa berprestasi itu ui pengertian dari mahasiswa berprestasi itu apa?

Mahasiswa Berprestasi adalah mahasiswa prestasi adalah mahasiswa yang berhasil mencapai prestasi tinggi, baik akademik maupun non akademik, baik akademik maupun non akademik, mampu berkomunikasi dengan bahasa Indonesia Indonesia dan bahasa Inggris, bersikap positif, serta berjiwa Pancasila. jiwa Pancasila.

3.1.1 Algoritma Pembelajaran

Dalam proses klasifikasi pemilihan mahasis klasifikasi pemilihan mahasiswa

Langkah 0 :

berprestasi ini, digunakan Algoritma jaringan saraf tiruan lgoritma jaringan saraf tiruan (SOM). - Inisialisasi bobot w ij . Dimana jaringan saraf tiruan (SOM) adalah an saraf tiruan (SOM) adalah suatu jaringan

- Set parameter topological neighbourhood et parameter topological neighbourhood saraf tiruan yang mampu melakukan pemetaan topologis dari emetaan topologis dari

- Set parameter laju pembelajaran embelajaran . unit-unit pada lapisan masukan ke lapisan masukan kompetitif masukan kompetitif

Langkah 1 :

(lapisan dimana output neuron dari jaringan berkompetisi d jaringan berkompetisi diantara Jika syarat berhenti tidak dipenuhi (Salah), Kerjakan langk enti tidak dipenuhi (Salah), Kerjakan langkah 2 – mereka untuk menjadi aktif sebaliknya). Metode belajar Jaringan a). Metode belajar Jaringan

Saraf Tiruan SOM adalah belajar tanpa pengawasan (S engawasan (Supervised Langkah 2 : Untuk setiap input vektor x x , kerjakan langkah 3 – 5 Learning). Bedanya dengan JST biasa pada proses belajar yakni a pada proses belajar yakni

Langkah 3 : Untuk setiap indeks j, hitung nilai : , hitung nilai : tanpa pengawasan, dimana perubahan bobot-bobot bobot

D(j) =∑

(Wij − Xi)

interkoneksinya sebagai tanggapan terhadap masukan an terhadap masukan dan tanpa Langkah 4 : Cari unit pemenang (indeks J 4 : Cari unit pemenang (indeks J), yaitu unit yang memerlukan jawaban targetnya.

memiliki Dj minimum

Penilaian Mahasiswa Berprestasi merujuk wa Berprestasi merujuk pada Langkah 5 : Hitung semua nilai w ij (baru) (baru) dengan nilai j dari kinerjaindividu mahasiswa yang memenuhi kriteria hi kriteria penilaian

langkah 4.

dengan menggunakan beberapa macam unsur. Penilaian ur. Penilaian Wij (baru) = Wij (lama) + |Xi – Wij (lama)| Wij (lama)| mencakup unsur 2 unsur yaitu : Profil Portofolio Mahasiswa dan il Portofolio Mahasiswa dan

Langkah 6 : Ubah (update) nilai laju pembelajaran. ) nilai laju pembelajaran. Pertimbangan Kualitatif .

Langkah 7 : Kurangi jarak tetangga (R). 7 : Kurangi jarak tetangga (R). Profil portofolio terdiri dari : kegiatan ilmiah/kreatifitas, rtofolio terdiri dari : kegiatan ilmiah/kreatifitas,

Langkah 8 : Periksa syarat berhenti. kegiiatan kemahasiswaan, jumlah tulisan di blog, d di blog, dan jumlah file

tugas. Pertimbangan kualitatif terdiri dari : Aktivitas di dari : Aktivitas di kelas,

3.1.2 Algoritma Pengenalan

mutu portofolio, mutu tulisan di blog.

Langkah 0 :

3. HASIL DAN PEMBAHASAN

Set nilai bobot w ij .(ambil dari hasil pembel hasil pembelajaran) Langkah 1 :

3.1 Pembahasan Algoritma

Untuk setiap indeks j, hitung nilai : Metode yang digunakan pada penilaian so digunakan pada penilaian soft skills

D(j) =∑

(Wij − Xi)

mahasiswa ini adalah Self Organising Map (SOM). Self Organising Map (SOM).SOM

Langkah2 :

digunakan untuk mengelompokkan data (clustering) berdasarkan an data (clustering) berdasarkan Cari unit pemenang (indeks J), yaitu unit yang memiliki D(j) it pemenang (indeks J), yaitu unit yang memiliki D(j) karakteristik atau fitur-fitur data.

minimum.

Pengklasifikasian berdasarkan input yang ad put yang ada dan akan dihitung jaraknya ke masing-masing output. Dalam tput. Dalam pengklasifikasian ini, kami menggunakan 7 neuron nakan 7 neuron input dan 4

3.2 Analisa Kerja Algoritma

neuron output. Data training yang digunakan pada penilaian soft s penilaian soft skills Bobot penilaian meliputi :

mahasiswa ini ada 4 data sebagai contoh. ada 4 data sebagai contoh. No

Parameter

Skor

Bobot obot

Nilai

Data Training

Data 3 Data 3 Data 4

3,5 3,5 3,25 1 Profil Portofolio Mahasiswa

a b (axb)

15 A Kegiatan Ilmiah/Kreatifitas

9 7 7 6 B Kegiatan Kemahasiswaan

w4

w5

Nilai B = 75 – 84 Nilai C = 65 – 74

0,020 0,020 0,048 Nilai E = 0 – 64

w2

0,220 0,190 0,059 Urutan Langkah: -

w3

0,070 0,040 0,037 menentukan bobot awal.

Bagian pertama dari

0,070 0,040 0,015 Nilai yang digunakan adalah nilai dari data sebelumnya

Banyaknya bobot yang digunakan adalah banyaknya

Langkah 7:

input dikali dengan banyaknya output.

- Kurangi jarak tetangga ( R )

Data Pembobotan Awal:

Langkah 8:

Kemudian berikan data berikutnya.

Berikut ini adalah perubahan bobot setelah data ke dua Data 1

Data 2 Data 3

0,220 0,190 0,056 Nilai A = 0,85 – 1

A B C E w7

Berikut ini adalah perubahan bobot setelah data ke tiga Nilai B = 0,75 – 0,84

diberikan

Nilai C = 0,65 – 0,74 Nilai E = 0 – 0,64

OUTPUT

Parameter laju pembelajaran = 0,5

Jika syarat berhenti tidak dipenuhi (salah), kerjakan

Untuk setiap input vector x, kerjakan langkah 3 – 5

Untuk setiap indeks j, hitung nilai: D(j) = ∑

Berikut ini adalah perubahan bobot setelah data ke Langkah 4:

(Wij − Xi)

empat diberikan

1 2 3 4 Langkah 5:

- Cari Unit pemenang (indeks j), yaitu unit yang memiliki Dj minimum.

Selanjutnya nilai bobot yang berhubungan dengan

0,020 0,020 0,035 output tersebut diubah dengan Rumus:

w2

0,220 0,190 0,080 Wij (baru) = Wij (lama) + |Xi – Wij (lama)|

Pelatihan dilakukan sampai jumlah iterasi yang diinginkan sampai menghasilkan angka yang mendekati

Setelah proses pelatihan selesai, dapat dilakukan w6

0,500 pengujian dengan memasukkan salah satu data dan w7

0,550 kemudian dicari unit pemenangnya.

Dan data akan diklasifikasikan ke masing-masing Langkah 6 :

output.

- Update nilai laju pembelajaran -

Karena yang dirubah adalah bobot yang berhubungan Berdasarkan hasil perubahan bobot data keempat maka diperoleh: dengan output 1, maka:

Tabel Pengujian

Output OUTPUT

Nilai

A w1

1 2 3 4 Data 1

Data 2

Data 3 0,61

C 4. Dari 7 input penilaian yang kami lakukan, menghasilkan 4 buah output berupa nilai A,B,C,dan E.

Data 4 0,50