W11 W21
W12 W22
W13 W23
Gambar 2.13 Fungsi Aktivasi Sigmoid Biner
2.5.2 Metode Learning Vector Quantization LVQ
Jaringan LVQ Learning Vector Quantization juga diperkrnalkan oleh Tuevo Kohonen. LVQ merupakan salah satu jaringan Saraf tiruan yang melakukan
pembelajaran secara terawasi. LVQ mengklasifikasikan input secara berkelompok ke dalam kelas yang sudah didefinisikan melalui jaringan yangtelah dilatih. Dalam kata
lain LVQ mendapatkan n input dan mengelompokkan kedalam m output. Arsitektur jaringan LVQ ini terdiri dari input, lapisan kohonen, dan lapisan output Putra, 2009.
Jaringan LVQ adalah jaringan yang mengklasifikasi pola sehingga setiap unit keluaran menyatakan suatu kelas atau kategori. Vector bobot untuk unit keluaran
sering disebut vector referensi buku kode untuk kelas yang dinyatakan oleh unit tersebut. Selama pelatihan unit keluaran dicari posisinya dengan mengatur bobotnya
lewat pelatihan terbimbing Widodo, 2005.
Gambar 2.14 Arsitektur Jaringan LVQ Nurkhozin, 2011
x x
1
x
2
|| x-w
1
|| || x-w
2
|| y
1
y
2
Deskripsi dari gambar di atas adalah sebagai berikut: x
: vector pelatihan masukan y
: vector output keluaran T
: target vector pelatihan w
j
: vector bobot output ke-j C
j
: kelas hasil komputasi oleh unit output || x-w
j
|| : jarak Euclidean antara vector bobot dan unit output
Berikut ini
adalah algoritma
Learning Vector
Quantization LVQ
Nurkhozin, 2011: 1. inisialisasi vector referensi, inisialisasi learning rate
α0 2. Bila kondisi STOP belum terpenuhi, kerjakan langkah 2
–6 3. Untuk setiap vector input pelatihan x, kerjakan langkah 3- 4
4. Dapatkan nilai J sedemikian hingga ||x-w
j
|| minimum 5. Update w
j
sebagai berikut : Jika C
j
= T maka � = � � + � − … … … … … … … … … … … … … … … … . … . . 2.15
Jika C
j
≠ T maka � = � � − � − … … … … … … … … … … … … … … … … . … . . 2.16
6. Reduksi learning rate 7. Tes kondisi STOP
2.5.3 Metode Backpropagation
Metode Backpropagation biasa digunakan dalam bidang pengujian pola, metode ini umumnya digunakan pada jaringan saraf tiruan yang berjenis multi-layer feed-
forward. Feed-forward berarti aliran sinyal diarahkan searah dari masukan ke keluaran. Kesalahan yang didapatkan dari selisih output dengan target akan diumpan
balik ke masukan awal untuk mengubah parameter-parameter pembentuk jaringan JST. Setelah kesalahan keluaran kecil, maka hanya proses alur maju saja yang
digunakan Wicaksono, 2008.