Algoritma klasifikasi
ialah algoritma
yang digunakan
untuk mengklasifikasikan data masukan. Contoh dari algoritma klasifikasi adalah jaringan
saraf tiruan JST Schalkoff, 1992. Dengan JST, masukan bisa diklasifikasikan berdasarkan hasil pencarian beberapa ciri yang signifikan dan memproses serta
menganalisis ciri tersebut.
2.5. Self-Organizing Map
Teknik
Self-OrganizingMap
atau disebut juga
Kohonen Map
sesuai dengan nama penemunya, Teuvo Kohonen
adalah salah satu algoritma pembelajaran dalam jaringan saraf tiruan Heaton, 2005. Algoritma ini menganalogikan cara kerja otak
manusia, dimana setiap sel otak manusia memiliki tugas yang berbeda-beda. Sel-sel saraf tersebut mengkelompokkan diri mereka sendiri sesuai dengan informasi yang
diterima. Pengelompokan seperti ini disebut
unsupervised learning
Kusumadewi, 2003.
Unsupervised learning
adalah metode pembejalaran yang tidak terawasi, dimana tidak diperlukan adanya target output. Metode ini tidak menentukan hasil
seperti apa yang diharapkan selagi proses pembelajaran. Tujuan dari metode ini yaitu agar dapat mengelompokkan semua unit dengan pola yang mirip atau sama ke dalam
sebuah pengelompokan klasifikasi tertentu. Sesuai dengan ciri
unsupervised learning
,
self-organizing map
merupakan jaringan saraf yang mempelajari distribusi pola-pola himpunan tanpa dibimbing oleh
pemberian bobot dan target. Oleh karena itulah, algoritma ini disebut self-organizing atau mengatur diri sendiri. Ilustrasi jaringan sarafnya dapat dilihat pada gambar 2.9.
Universitas Sumatera Utara
Gambar 2.9. Contoh jaringan kohonen dengan ukuran node 4x4 dan 2 unit masukan Heaton, 2005
Tahapan proses pembelajaran dari jaringan saraf tiruan
self-organizing map
adalah sebagai berikut Zamasari, 2005: 1.
Diinisialisasikan seluruh bobot dengan nilai random
W
ij
, radius tetangga dan ХКУЮ ЩОЦЛОХКУКЫКЧ α.
2. Mengerjakan tahap a-f sampai kondisi berhenti dipenuhi
a. mengevaluasi kesalahan untuk setiap vektor masukan x
b. menyimpan bobot dengan kesalahan paling minimal
c. mengecek neuron keluaran yang telah aktif, jika terdapat neuron
keluaran yang tidak pernah
firing
, maka forcewin dan kembali ke a. Jika tidak, lanjut ke langkah e
d. Forcewin :
i. Menghitung aktivasi setiap vektor masukan dan ambil indeks
vektor masukan dengan aktivasi yang paling kecil
Universitas Sumatera Utara
ii. Setiap neuron keluaran dengan vektor masukan yang didapat
pada a dan pilih indeks neuron keluaran dengan nilai terbesar yang tidak pernah aktif selama pelatihan
iii. Memodifikasi bobot dari neuron keluaran pada b
e. MenyesЮКТФКЧ ЛШЛШЭ НОЧРКЧ ЩОЫЬКЦККЧ а’ = а + Кб-w
f. Memperbaiki learning rate
g. Mengecek kondisi berhenti
3. Mengambil bobot terbaik
4. Normalisasi bobot
2.6. Penelitian Terkait
