19 SOFM Self Organizing Feature Maps terdiri dari dua lapisan, yaitu
lapisan input dan lapisan output. Setiap neuron output mempunyai bobot untuk masing-masing neuron input. Proses pembelajaran dilakukan dengan
melakukan penyesuaian terhadap setiap bobot pada neuron output. Setiap input yang diberikan dihitung jarak Euclidean dengan setiap neuron output,
kemudian dicari neuron output yang mempunyai jarak minimum. Neuron yang mempunyai jarak yang paling kecil disebut neuron pemenang atau neuron
yang paling sesuai denga input yang diberikan[5].
Terdapat m unit kelompok yang tersusun dalam arsitektur satu atau dua dimensi dan sinyal-sinyal masukan sejumlah n. vektor bobot untuk suatu unit
kelompok disediakan satu eksemplar dari pola-pola masukan yang tergabung dengan kelompok tersebut. Selama proses pengorganisasian sendiri, unit
kelompok yang memiliki vektor bobot paling cocok dengan pola masukan ditandai dengan jarak Euclidean paling minimum dipilih sebagai pemenang.
Unit pemenang dan unit tetangganya diperbaharui bobotnya[2].
2.7.1 Arsitektur jaringan Self-Organizing Feature Maps SOFM
. . . . . .
. . . . . .
Gambar 2.7 Arsitektur Jaringan Self-Oraganizing Feature Maps Fausett, 1994
Y
1
Y
j
Y
X
1
X
i
X
n
W
11
W
i1
W
n1
W
1j
W
nm
W
ij
W
nj
W
1m
W
im
Universitas Sumatera Utara
20
2.7.2 Algoritma pelatihan jaringan kohonen SOM
Algoritma pelatihan jaringan kohonen SOM adalah sebagai berikut : Langkah-0. Inisialisasi bobot Wij
Tetapkan parame ter cluster m dan parameter laju pelatihan α.
Langkah-1. Selama syarat berhenti salah, lakukan langkah-langkah dibawah ini : Langkah i. Untuk setiap vector masukan X, lakukan beberapa langkah dibawah ini :
Langkah a. Untuk setiap j hitunglah :
Dj = w
ij
- x
i 2
I Langkah b. Cari indeks j sedemikian sehingga D j minimum
Langkah c. Untuk semua unit j didalam ketetanggaan j, dan untuk semua i, hitunglah :
w
ijbaru
= w
ijlama
+ α [ x
i
- w
ijlama
]
Langkah ii. Perbarui laju belajar. Langkah iii. Kurangi jari-jari ketetanggaan topologis dengan pencecahan
tertentu. Langkah iv. Uji syarat berhenti. Bila benar, maka berhenti.
2.7.3 Contoh algoritma pelatihan jaringan kohonen SOM :
1. Vector-vector yang akan dikelompokkan adalah sebagai berikut:
[1 1 0 0], [0 0 0 1], [1 0 0 0], [0 0 1 1]. Jumlah cluster yang diinginkan adalah m=2, dengan bobot awal tiap cluster:
w
1
= [0.2 0.6 0.5 0.9]; w
2
= [0.8 0.4 0.7 0.3]; Ditetapkan laju pelatihan
awal α0 = 0.6 dan αt+1 = 0.5α t. Radius ketetanggaan R = 0. Carilah matriks bobot setelah 100 iterasi dan tentukan
termasuk kelompok cluster yang mana keempat vector masukan diatas. Penyelesaian:
Step-0 Inisialisasi matriks bobot:
Universitas Sumatera Utara
21
Inisialisasi radius R = 0
Inisialisasi learning rate α0 = 0.6
Step-1 Mulai pelatihan: Step-2 Untuk vector pertama [1 1 0 0] lakukan langkah 3-5;
Step-3 D1 = 0.2-1
2
+ 0.6-1
2
+ 0.5-0
2
+ 0.9-0
2
= 1.86; D2 = 0.8-1
2
+ 0.4-1
2
+ 0.7-0
2
+ 0.3-0
2
= 0.98; Step-4 Vektor input tertutup untuk output node 2, maka:
J = 2 Step-5 Bobot unit pemenang di perbahurui dengan:
w
i2
= w
i2old+
0.6[x
i
-w
i2old
]
Bobot matriks yag diberikan saat ini:
Step-2 Untuk vector kedua [0 0 0 1] lakukan langkah 3-5; Step-3 D1 = 0.2-1
2
+ 0.6-1
2
+ 0.5-0
2
+ 0.9-0
2
= 0.66; D2 = 0.92-1
2
+ 0.76-1
2
+ 0.28-0
2
+ 0.12-0
2
= 2.2768; Step-4 Vektor input tertutup untuk output node 2, maka:
J = 1 Step-5 Kolom kedua di perbaharui dengan:
Step-2 Untuk vector ketiga [1 0 0 0] lakukan langkah 3-5; Step-3 D1 = 0.8-1
2
+ 0.24-1
2
+ 0.20-0
2
+ 0.96-0
2
= 1.865; D2 = 0.92-1
2
+ 0.76-1
2
+ 0.28-0
2
+ 0.12-0
2
= 0.676;
Universitas Sumatera Utara
22 Step-4 Vektor input tertutup untuk output node 2, maka:
J = 2 Step-5 Kolom kedua di perbaharui dengan:
Step-2 Untuk vector keempat [0 0 1 1] lakukan langkah 3-5; Step-3 D1 = 0.08-0
2
+ 0.24-0
2
+ 0.20-1
2
+ 0.96-1
2
= 0.705; D2 = 0.968-0
2
+ 0.304-0
2
+ 0.112-1
2
+ 0.048-1
2
= 2.72; Step-4 Vektor input tertutup untuk output node 2, maka:
J = 1
Step-5 Kolom kedua di perbaharui dengan:
Step-6 Kurangi dengan learning rate: a = 0.50.6 = 0.3
persamaan bobot yang di perbaharui sekarang:
w
ijnew
= w
ijold+
0.3[x
i
-w
ijold
]
Matriks bobot setelah 2 kali pelatihan adalah:
Universitas Sumatera Utara
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
