tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan klasifikasi pola.Contoh metode pembelajaran tak terawasi adalah jaringan
kohonen kohonen network Yeni, 2011 .
2.2 Learning Vektor Quantization LVQ
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 yang telah dilatih. Dalam kata lain LVQ mendapatkan n input dan mengelompokkan kedalam m output. Hidayah, 2014.
LVQ merupakan jaringan lapisan tunggal single-layer net di mana lapisan masukan terkoneksi secara langsung dengan setiap neuron pada keluaran. LVQ terdiri
dari lapisan input input layer, lapisan kompetitif dan lapisan output output layer. Lapisan input dihubungkan dengan lapisan kompetitif oleh bobot. Dalam lapisan
kompetitif, proses pembelajaran dilakukan secara terawasi. Input akan bersaing untuk dapat masuk ke dalam suatu kelas. Hasil dari lapisan kompetitif ini berupa kelas, yang
kemudian akan dihubungkan dengan lapisan output. Jika jarak dua vektor masukan mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor masukan
tersebut ke dalam kelas yang sama Johandra, 2014. Algoritma Pelatihan LVQ :
0. Tetapkan : a. Bobot awal variabel input ke
–j menuju ke kelas cluster ke-i : W
ij
, dengan i = 1, 2, .., K; dan j = 1, 2, .., m
b. Maksimum epoch : MaxEpoh c. Parameter learning rate,
d. Pengukuran learning rate, Dec
e. Minimal learning rate yang diperbolehkan : Min
1. Masukkan :
a. Data input : X
ij
; dengan i = 1, 2, .., m. b. Target berupa kelas T
k
; dengan k = 1, 2, .., n 2. Tetapkan kondisi awal : epoch = 0;
3. Kerjakan jika : epoch MaxEpoch dan Min
a. Epoch = epoch + 1; b. Kerjakan untuk i = 1 sampai n
Universitas Sumatera Utara
i. Tentukan J sedemikian hingga |X
i
– W
j
| minimum; dengan j = 1, 2, .. , K
ii. Perbaiki W
j
dengan ketentuan : Jika T = C
j
maka : W
j
= W
j +
X
i
– W
j
Jika T C
j
maka : W
j
= W
j
- X
i
– W
j
c. Kurangi nilai .
Pengurangan bisa dilakukan dengan = - Dec ; atau dengan cara : =
Dec Setelah dilakukan pelatihan, akan diperoleh bobot-bobot akhir W. Bobot-
bobot ini nantinya akan digunakan untuk untuk pengujian terhadap data- data.
Algoritma Pengujian LVQ : 1. Masukkan data yang akan diuji, misal X
ij
; dengan i = 1, 2,.., np ; dan j = 1, 2, .., m.
2. Kerjakan untuk i = 1 sampai dengan np a. Tentukan J sedemikian hingga |X
i
– W
j
| minimum Cj, dengan J = 1,2,.., K.
2.2.1 Arsitektur Jaringan LVQ
Dalam LVQ terdapat dua vektor bobot yang menghubungkan setiap neuron masukan dengan neuron keluaran sehingga dapat dikatakan bahwa setiap neuron keluaran pada
LVQ berhubungan dengan sebuah vektor bobot. Untuk melakukan proses pengenalan dan pembelajaran, LVQ menggunakan operasi-operasi vektor. Pola-pola akan
disajikan dalam bentuk vektor. Pemrosesan yang terjadi pada setiap neuron adalah mencari jarak antara suatu vektor input ke bobot yang bersangkutan. Dalam hal ini
adalah vektor bobot W
ij
yang menghubungkan setiap neuron pada lapisan input X
i
ke neuron pertama pada lapisan output Y
j
, dan seterusnya Johandra, 2014 .
Universitas Sumatera Utara
Gambar 2.4 Arsitektur jaringan LVQ
2.3 Sistem Pendukung Keputusan
