2.6.4.1. Arsitektur Learning Vector Quantization LVQ
Adapun arsitektur dari Learning Vector Quantization LVQ dapat dilihat pada Gambar 2.8.
Gambar 7 diatas memperlihatkan bahwa yang bertindak sebagai dendrit atau data masukan adalah
X
1
sampai dengan
X
6
, kemudian yang bertindak sebagai sinapsis atau bobot adalah
W
, sedangkan soma atau badan sel dari jaringan ini adalah perhitungan || x
– w
1
|| sampai dengan || x – w
2
||, dan kemudian yang bertindak sebagai akson atau data keluaran adalah
Y
.
2.6.4.2. Algoritma JST Learning Vector Quantization LVQ
Berikut adalah algoritma dari JST Learning Vector Quantization LVQ, yaitu :
1. Tetapkan : Bobot W, Maksimum Epoch MaxEpoch, Error minimum yang
diharapkan eps, Learning Rate α.
2. Masukkan :
Input : Xm,n Target : T1,n
Gambar 2.8 Arsitektur Learning Vector Quantization LVQ
Sumber : Kusumadewi, 2003
3. Tetapkan kondisi awal :
epoch = 0 err
= 1 4.
Kerjakan jika : epoch MaxEpoch atau α eps a.
epoch = epoch + 1 b.
Kerjakan untuk i = 1 sampai n 1.
Tentukan j sedemikian hingga || x – w
j
|| minimum sebut sebagai C
j
2. Perbaiki w
j
dengan ketentuan : -
Jika T = C
j
maka : w
j
baru = w
j
lama + α x - w
j
lama -
Jika T ≠ C
j
maka : w
j
baru = w
j
lama - α x - w
j
lama c.
Kurangi nilai α = α – 0,1 α Adapun beberapa penjelasan mengenai variabel atau parameter pada algoritma
Learning Vector Quantization LVQ adalah : a.
Nilai Alfa learning rate Learning rate merupakan nilai laju pembelajaran. Jika nilai learning rate
terlalu besar, maka algoritma akan menjadi tidak stabil sebaliknya jika alfa terlalu kecil, maka prosesnya akan terlalu lama. Nilai learning rate adalah
antara 0 dan 1 Jurnal Media Statistika, Vol. 3, No 1, Juni 2010: 21 - 30. b.
Nilai Max Epoch Max Epoch merupakan nilai atau jumlah iterasi maksimum yang boleh
dilakukan selama training berlangsung. c.
Nilai Min Alfa eps Eps merupakan nilai minimum error yang diharapkan pada proses training.
Proses training akan terus berjalan jika nilai alfa learning rate lebih besar dari nilai eps.
2.6.4.3. Flowchart JST Learning Vector Quantization LVQ
Kategori