Bias input ke hidden berbentuk matriks 3 X 4, yaitu 3 variabel input terhubung dengan 4 neuron pada hidden layer, bias input ke hidden berbentuk
matriks 1 X 4, yaitu 1 bias input dan 4 jumlah neuron pada hidden layer, dan bobot hidden ke output berbentuk matriks 1 X 4, yaitu 1 bobot hidden dan 4
jumlah neuron pada hidden layer. Sedangkan bias hidden ke output berjumlah 1, karena pada proses kohonen, yang didapatkan adalah nilai terbaik yang akan
dijadikan target untuk grafik 1.
a.3 Nilai target Tabel 4.3 Nilai target data target awal potongan grafik MF 1
Indeks Data Ke -
Target Indeks
Data Ke - Target
Indeks Data Ke -
Target 1
1 17
33 2
1 18
34 3
1 19
35 4
0,944 20
36 5
0,833 21
37 6
0,722 22
38 7
0,611 23
39 8
0,5 24
40 9
0,389 25
41 10
0,278 26
42 11
0,167 27
43 12
0,056 28
44 13
29
. .
.
14 30
15 31
16 32
100
Data pada nilai target diatas akan membentuk grafik 1. Pada data diatas terlihat data yang terbentuk dimulai dari data terbesar sampai dengan data terkecil,
sesuai dengan grafik 1 yang merupakan grafik linear turun. Pada grafik 1 Nilai target merupakan sumbu x yang didapat dari temp3 – i temp3 – X
2
. Data terbesar adalah 1 dan data terkecil 0,056, selainnya 0. Data tersebut didapat
melalui proses algoritma kohonen.
Universitas Sumatera Utara
b. Proses pembentukan grafik 2 b.1 Input 2
Tabel 4.4 Input 2 proses clusterisasi data target awal potongan grafik MF 2
Indeks Data Ke -
Input 2 Indeks Data
Ke - Input 2
Indeks Data Ke -
Input 2 1
0 dan 0 dan 0 26
21 dan 48 dan 50 51
33 dan 48 dan -3 2
0 dan 0 dan 0 27
21 dan 48 dan 51 52
34 dan 48 dan -4 3
0 dan 0 dan 0 28
21 dan 48 dan 52 53
35 dan 48 dan -5 4
0 dan 0 dan 0 29
22 dan 48 dan 53 54
35 dan 48 dan -6 5
7 dan 48 dan 29 30
22 dan 48 dan 54 55
37 dan 48 dan -7 6
7 dan 48 dan 30 31
22 dan 48 dan 55 56
38 dan 48 dan -8 7
7 dan 48 dan 31 32
23 dan 48 dan 56 57
39 dan 48 dan -9 8
7 dan 48 dan 32 33
24 dan 48 dan 57 58
40 dan 48 dan -10 9
9 dan 48 dan 33 34
25 dan 48 dan 14 59
40 dan 48 dan -11 10
9 dan 48 dan 34 35
26 dan 48 dan 13 60
40 dan 48 dan -12 11
9 dan 48 dan 35 36
26 dan 48 dan 12 61
41 dan 48 dan -13 12
10 dan 48 dan 36 37
26 dan 48 dan 11 62
41 dan 48 dan -14 13
11 dan 48 dan 37 38
27 dan 48 dan 10 63
42 dan 48 dan -15 14
11 dan 48 dan 38 39
28 dan 48 dan 9 64
44 dan 48 dan -16 15
12 dan 48 dan 39 40
29 dan 48 dan 8 65
44 dan 48 dan -17 16
12 dan 48 dan 40 41
29 dan 48 dan 7 66
46 dan 48 dan -18 17
12 dan 48 dan 41 42
29 dan 48 dan 6 67
46 dan 48 dan -19 18
12 dan 48 dan 42 43
30 dan 48 dan 5 68
46 dan 48 dan -20 19
14 dan 48 dan 43 44
31 dan 48 dan 4 69
47 dan 48 dan -21 20
14 dan 48 dan 44 45
32 dan 48 dan 3 70
47 dan 48 dan -22 21
15 dan 48 dan 45 46
32 dan 48 dan 2 71
0 dan 0 dan 0 22
16 dan 48 dan 46 47
32 dan 48 dan 1
. .
.
23 18 dan 48 dan 47
48 33 dan 48 dan 0
0 dan 0 dan 0 24
19 dan 48 dan 48 49
33 dan 48 dan -1 25
20 dan 48 dan 49 50
33 dan 48 dan -2 100
0 dan 0 dan 0
Pada input 2, akan terbentuk grafik 2 yang merupakan grafik segitiga. Variabel X
2
merupakan tempt2. Proses clusterisasi data pada proses ini sama seperti pada proses input 1. Titik awal pada grafik 2 merupakan nilai minimum, titik puncak
didapat dari X
1
= temp3 dan titik akhir berada pada data X
1
terakhir yang = temp2. Terlihat bahwa pada awalnya data pada variabel X
3
merupakan data yang terurut dari kecil ke besar yang dimulai dari data ke 1, sampai pada data titik puncak. Kemudian
data X
3
menjadi terurut dari besar ke kecil, dimulai dari titik puncak + 1 sampai
Universitas Sumatera Utara
dengan data ke titik akhir. Pada data ke 71, nilai X
2
X
1
, karena itu diberikan nilai 0. Untuk penentuan variabel X
3
, ditentukan dengan 2 cara yaitu, pada grafik naik X
3
= temp3 + i dimulai dari i ke 1 sampai didapat titik puncak, untuk grafik turun, X
3
= titik puncak + 1.
b.2 Input hasil normalisasi Tabel 4.5 Input hasil normalisasi data target awal potongan grafik MF 2
