31
1. Arsitektur Jaringan SOM Kohonen
Arsitektur Jaringan SOM Kohonen tampak dalam gambar 2.11. Arsitektur ini mirip dengan model lain. Hanya saja Jaringan SOM Kohonen tidak menggunakan
perhitungan net hasil kali vektor masukan dengan bobot maupun fungsi aktivasi Siang, 2009: 142.
Gambar 2.11 Arsitektur Jaringan SOM Kohonen 2.
Algoritma Jaringan SOM Kohonen
Algoritma pengelompokan data jaringan SOM Kohonen adalah sebagai berikut Siang, 2009: 143:
Langkah 0 Inisialisasi bobot
� dengan nilai random. Mengatur parameter laju pemahaman dan parameter tetangga,
Langkah 1 Jika kondisi penghentian bernilai salah atau kondisi selesai belum
terpenuhi maka dilakukan langkah 2 sampai 7, Langkah 2
Untuk setiap vektor masukan , dilakukan langkah 3 sampai 5, Langkah 3
Untuk setiap , dihitung nilai, Nilai
input 2 Nilai
input n Nilai
input 1
⋮ �
� �
⋮
Lapisan input
Lapisan output
� �
� �
� �
�
� �
32 = ∑
� −
=
2.23
Langkah 4 Mencari unit pemenang , yaitu unit yang memiliki
minimum, Langkah 5
Melakukan perbaikan nilai � dengan nilai tertentu yaitu :
� = �
+ �[ − � ]
2.24
Langkah 6 Memperbarui nilai laju pemahaman,
Langkah 7 Menentukan kondisi stop atau kondisi kapan iterasi diberhentikan.
Kondisi penghentian iterasi adalah selisih antara � saat itu dengan � iterasi
sebelumnya. Apabila semua � hanya berubah sedikit saja, berarti iterasi sudah
mencapai konvergensi sehingga dapat dihentikan. Menghitung pusat dan jarak dengan menggunakan metode SOM Kohonen
clustering dalam penelitian ini dilakukan dengan menggunakan bantuan program Matlab R2013a, script secara lengkap terlampir pada lampiran 9 halaman 122.
Berikut sebagian script terpenting dalam SOM Kohonen clustering Siang, 2009: 283-291:
net=newcPR,S,KLR,CLR; net.IW{1,1};
net.b{1}; net.trainParam.epochs=500;
net= trainnet,p; b=simnet,p;
ab=vec2indb;
dengan
net
= Jaringan
yang didefinisikan
dalam
newc [net=newcPR,S,KLR,CLR],
33
newc
= Membentuk sebuah jaringan SOM Kohonen dengan spesifikasi tertentu [
PR,S,KLR,CLR], PR
= Matriks ukuran Rx2 yang berisi nilai minimum dan maksimum masing-masing nilai vektor masukan,
S
= Jumlah neuron target,
KLR
= Laju Pemahaman SOM Kohonen default = , ,
CLR
= Laju Pemahaman Conscience default = ,
,
net.IW{1,1}
= Menampilkan bobot lapisan,
net.b{1}
= Menampilkan bobot bias lapisan,
net.trainParam.epochs
= Menentukan epoch atau banyaknya iterasi default=500,
p
= Input data,
train
= Perintah
train
akan menghasilkan jaringan
net,p
baru [
trainnet,p
]
, sim
= menghitung keluaran jaringan yang berupa matriks B berordo
x = jumlah neuron target dan = jumlah vektor masukan.
, = menyatakan bahwa vektor masukan ke- masuk ke dalam kelompok ke-1.
vec2ind
= Mengetahui secara langsung pengelompokan vektor dari perintah
sim,
Bobot awal yang dibentuk adalah titik tengah
PR.
34
3. Contoh Kasus Cluster Menggunakan Metode SOM Kohonen