Contoh Kasus Cluster Menggunakan Metode SOM Kohonen

34

3. Contoh Kasus Cluster Menggunakan Metode SOM Kohonen

Berikut merupakan contoh penerapan SOM Kohonen pada suatu kasus Siang, 2009: 144-147: Diketahui 4 buah vektor = , , , , = , , , , = , , , dan = , , , . Menggunakan jaringan SOM Kohonen untuk mengelompokkan 4 buah vektor tersebut ke dalam maksimum 2 kelompok. Diberikan laju pemahaman awal � = , dan � + = , � . Jari-jari vektor sekitar yang dimodifikasi = berarti hanya vektor pemenang yang dimodifikasi bobotnya pada setiap langkah. Penyelesaian: Inisialisasi bobot : Kolom matriks bobot menyatakan jumlah komponen dalam sebuah vektor dalam kasus ini = dan baris menyatakan jumlah maksimum kelompok yang akan dibentuk dalam kasus = . Misalkan secara acak didapat bobot awal : � = , , , , , , , , Jari-jari sekitar yang dipakai = dan laju pemahaman awal = , . Berdasarkan persamaan 2.23 pelatihan dilakukan untuk tiap vektor : Untuk vektor = , , , : = , − + , − + , − + , − = , = , − + , − + , − + , − = , minimum untuk = , sehingga vektor bobot di baris dimodifikasi menurut aturan persamaan 2.24 yaitu � � = � + , − � , � = , + , − , = , ; � = , + , − , = , 35 � = , + , − , = , ; � = , + , − , = , Diperoleh vektor bobot baru : � = , , , , , , , , Untuk vektor = , , , ∶ = , − + , − + , − + , − = , = , − + , − + , − + , − = , minimum untuk = , sehingga vektor bobot di baris 1 dimodifikasi. Diperoleh: � = , + , − , = , ; � = , + , − , = , � = , + , − , = , ; � = , + , − , = , Vektor bobot baru : � = , , , , , , , , Untuk vektor = , , , : = , − + , − + , − + , − = , = , − + , − + , − + , − = , minimum untuk = , sehingga vektor bobot di baris 2 dimodifikasi. Diperoleh: � = , + , − , = , ; � = , + , − , = , � = , + , − , = , ; � = , + , − , = , Vektor bobot baru : � = , , , , , , , , Untuk vektor = , , , : = , − + , − + , − + , − = , = , − + , − + , − + , − = , minimum untuk = , sehingga bobot di baris 1 dimodifikasi. Diperoleh: 36 � = , + , − , = , ; � = , + , − , = , � = , + , − , = , ; � = , + , − , = , Vektor bobot baru : � = , , , , , , , , Sebelum melakukan iterasi kedua dalam mengubah bobot, terlebih dahulu dilakukan modifikasi laju pemahaman, � � = , , = , Iterasi kedua dilakukan secara analog dengan iterasi pertama. Baris vektor bobot diubah berdasarkan vektor yang saat itu digunakan. Diperoleh hasil iterasi : Bobot awal : � = , , , , , , , , Iterasi-1 : � = , , , , , , , , Iterasi-2 : � = , − , , , , , , dan seterusnya, Iterasi-100 : � = , − − , , , − − Tampak bahwa iterasi tersebut akan konvergen ke vektor bobot � = , , Pengelompokan vektor dilakukan dengan menghitung jarak vektor dengan bobot optimal. Vektor = , , , memiliki = − + − + , − + − = , 37 = − + , − + − + − = , Karena minimum untuk = , sehingga masuk dalam kelompok ke-2. Secara analog, untuk = , , , , = , dan = , , sehingga masuk dalam kelompok ke-1. Untuk = , , , , = , dan = , , sehingga masuk dalam kelompok ke-2. Untuk = , , , , = , dan = , , sehingga masuk dalam kelompok ke-1.

F. Ketepatan Hasil Klasifikasi