ŋ ŋ + ŋ ŋ + ŋ
2.11 ∅ = ŋ − ŋ ŋ + ŋ ŋ + ŋ − ŋ + ŋ
ŋ − ŋ ŋ + ŋ ŋ + ŋ − ŋ + ŋ 2.12
Dimana: ∅ = Momen Invariant
ŋ = Momen pusat ternormalisasi 2.2.8
Roundness R Roundness menggambarkan tingkat kebulatan sel. Kebulatan bentuk Roundness adalah
perbandingan antara luas objek area dan kuadrat perimeter, yang dapat dihitung dari persamaan 2.13.
R= 4π
� �
2
�
2.13
Dimana: R
= Kebulatan bentuk Roundness A = Area
P = Perimeter Hasilnya berupa nilai ≤1. Nilai 1 menyatakan bahwa objek R berbentuk lingkaran.
2.3 Unsupervised learning
Unsupervised learning merupakan pembelajaran yang tidak terawasi dimana tidak memerlukan target output. Pada metode ini tidak dapat ditentukan hasil seperti apa yang
diharapkan selama proses pembelajaran, nilai bobot yang disusun dalam proses range tertentu tergantung pada nilai output yang diberikan. Tujuan metode Unsupervised learning
yaitu agar dapat mengelompokkan unit-unit yang hampir sama dalam satu area tertentu. Pembelajaran ini biasanya sangat cocok untuk klasifikasi pola.
Universitas Sumatera Utara
2.4 Self-Organizing Map
Teknik Self-organizing map SOM atau kohonen pertama kali diperkenalkan oleh Touvo Kohonen, merupakan sistem jaringan neural berbasis kompetisi yang mampu melakukan
pembelajaran tanpa terbimbing karena memiliki kemampuan mengatur dirinya sendiri self- organizing. Jaringan ini akan mempelajari distribusi pola-pola himpunan tanpa informasi
kelas sebelumnya Putra, 2009. Jaringan kohonen dipakai untuk membagi pola masukkan kedalam beberapa kelompok cluster. Arsitektur jaringan kohonen dapat dilihat pada
Gambar 2.3 .
Prinsip kerja dari algoritma SOM adalah pengurangan node-node tetangganya neighbor, sehingga pada akhirnya hanya ada satu node output yang terpilih winner node.
Laurene menjelaskan kerja algoritma SOM memiliki langkah-langkah sebagai berikut Tae et al, 2010:
1. Melakukan inisialisasi bobot W
ij,
radius tetangga dan learning rate α 2. Selama kondisi stop bernilai false, lakukan tahap 3 sd 9
3. Untuk setiap input vektor x, lakukan tahap 4 sd 4. Untuk setiap j dihitung : d
j
=
i
W
ij
- X
i 2
5. Temukan indeks j yang nilai D
ij
-nya terkecil 6. Update semua bobot yang menuju indeks j dengan rumus:
W
ij
baru = W
ij
lama + X
i
- W
ij
lama dimana:
W = bobot
t 1 = alpha learning rate
x = input pixel
i = index node input
j = index node output
Universitas Sumatera Utara
7. Update learning rate α
8. Kurangi radius tetangga 9. Cek kondisi stop.
Gambar 2.3 : Arsitektur jaringan saraf kohonen
2.5 Penelitian Terdahulu