Self Organizing Maps SOM

2.6. Self Organizing Maps SOM

Self organizing maps merupakan salah satu model jaringan saraf tiruan yang menggunakan metode pembelajaran tanpa supervise unsupervised learning. Salah satu keunggulan dari algoritma ini adalah mampu memetakan data berdimensi tinggi ke dalam bentuk peta berdimensi rendah. Pada algoritma SOM, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu cluster bobotnya Prasetyo, 2012. Selama proses penyusunan tesebut, cluster yang memiliki jarak paling dekat akan terpilih menjadi pemenang bobotnya Prasetyo, 2012. Neuron yang menjadi pemenang akan memperbaiki nilai bobotnya beserta neuron-neuron tetangganya Prasetyo, 2012. Arsitektur SOM terdiri atas satu lapisan input x dan satu lapisan output y dimana setiap unit pada lapisan input akan dihubungkan dengan semua unit di lapisan output dengan suatu bobot w ij Prasetyo, 2012. Setiap neuron dalam SOM akan mewakili suatu kelompok. Dalam SOM ada K neuron yang disusun dalam larik satu atau dua dimensi Prasetyo, 2012. Berikut adalah algoritma Self Organizing Maps: Kohonen, 1995 1. Inisialisasi jumlah cluster width x height, jumlah iterasi, learning rate, radius ketetanggaan, dan bobot pada setiap neuron. 2. Memilih salah satu vektor input dan disajikan ke jaringan. 3. Setiap neuron pada jaringan diuji untuk menghitung bobot neuron mana yang paling mirip dengan vektor input. Neuron pemenang sering disebut dengan Best Matching Unit BMU. Untuk mendapatkan BMU dihitung dengan persamaan 2.4. �� � � = ∑ � � − � � �=� �= 2.4 Dimana: I = vektor input W = bobot dari vector node n = jumlah bobot 4. Menghitung radius ketetanggan dari BMU. Dimulai dengan nilai yang besar kemudian berkurang setiap kali iterasi. Menghitung radius ketetanggan dilakukan dengan persamaan 2.5. Universitas Sumatera Utara � � = � − � 2.5 Dimana: t = iterasi yang sedang berlangsung � = radius dari map λ = konstanta waktu Nilai dari konstanta waktu dapat dihitung dari persamaan 2.6. λ = � � � � �� � 2.6 5. Setiap neuron yang berada pada radius BMU disesuaikan agar mereka lebih mirip dengan vektor input. Untuk menyesuaikan neuron yang berada pada radius BMU dihitung dengan persamaan 2.7. � �+ = � � + � � � � � � − � � 2.7 Untuk menghitung nilai dari L t digunakan persamaan 2.8. � � = � − λ 2.8 Semakin dekat neuron dengan BMU, maka bobot pada neuron tersebut akan mengalami perubahan yang lebih besar. Jarak dari BMU digunakan dalam persamaan 2.9. � � = −�� � �����2 2�2 2.9 6. Kemudian ulangi langkah 2 sampai N iterasi. Universitas Sumatera Utara

2.7. Penelitian Terdahulu