KOHONEN - My KnowledgeSecure Site alusrh.files.wordpress.com/2018/03/jst-11.pdfAlgoritma Pelatihan...
Transcript of KOHONEN - My KnowledgeSecure Site alusrh.files.wordpress.com/2018/03/jst-11.pdfAlgoritma Pelatihan...
KOHONEN
Jaringan Syaraf Tiruan
Pertemuan ke 11
Metode Kohonen
• Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusundirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster.
• Selama proses penyusunan diri, cluster yang memiliki vektor bobot paling cocok dengan pola input (memiliki jarak yang paling dekat) akan terpilihsebagai pemenang.
• Neuron yang menjadi pemenang beserta neuron-neuron tetangganya akanmemperbaiki bobot-bobotnya.
Algoritma Pelatihan Kohonen
Perhatikan Data Dibawah Ini
X1 X2
0,10 0,10
0,20 0,20
0,30 0,10
0,50 0,30
0,40 0,40
0,20 0,40
Buatlah data diatas menjadi 2 cluster.
Bobot awal yang akan kita gunakan
adalah matriks berukuran 2x2 dengan
tiap-tiap elemen bernilai 0,5. Learning
rate (=0,6) dengan tiap kenaikan epoch
akan diset 0,5x(). Maksimum epoch
ditetapkan sebesar 10
Diketahui:
• alpha ()= 0,60
MaxEpoch = 10
Pengurangan alpha = 0,50
Bobot awal:
0,50 0,50
0,50 0,50
Epho ke-1
Data ke 1
• Jarak pada:
* bobot ke-1 = (0,5 – 0,1)2 + (0,5 – 0,1)2 = 0,32
* bobot ke-2 = (0,5 – 0,1)2 + (0,5 – 0,1)2 = 0,32
• Jarak terkecil pada bobot ke-1
Bobot ke- 1 baru:
w11 = 0,5 + 0,6(0,1 – 0,5) = 0,26
w12 = 0,5 + 0,6(0,1 – 0,5) = 0,26
Epho ke-1
Data ke 2
• Jarak pada:
* bobot ke-1 = (0,26 – 0,2)2 + (0,26 – 0,2)2 = 0,0072
• * bobot ke-2 = (0,50 – 0,2)2 + (0,50 – 0,2)2 = 0,1800
• Jarak terkecil pada bobot ke-1
Bobot ke- 1 baru:
w11 = 0,26 + 0,6(0,2 – 0,26) = 0,224
w12 = 0,26 + 0,6(0,2 – 0,26) = 0,224
Epho ke-1
Data ke 3
• Jarak pada:
* bobot ke-1 = (0,224 – 0,3)2 + (0,224 – 0,1)2 = 0,0212
* bobot ke-2 = (0,5 – 0,3)2 + (0,5 – 0,1)2 = 0,2000
• Jarak terkecil pada bobot ke-1
Bobot ke- 1 baru:
w11 = 0,224 + 0,6(0,3 – 0,224) = 0,2696
w12 = 0,224 + 0,6(0,1 – 0,224) = 0,1496
Epho ke-1
Data ke 4
• Jarak pada:
* bobot ke-1 = (0,2696 – 0,5)2 + (0,1496 – 0,3)2 = 0,0757
* bobot ke-2 = (0,5 – 0,5)2 + (0,5 – 0,3)2 = 0,0400
• Jarak terkecil pada bobot ke-2Bobot ke- 2 baru:
w21 = 0,5 + 0,6(0,5 – 0,5) = 0,5000
w22 = 0,5 + 0,6(0,3 – 0,5) = 0,3800
Epho ke-1
Data ke 5
• Jarak pada:
* bobot ke-1 = (0,2696 – 0,4)2 + (0,1496 – 0,4)2 = 0,0797
* bobot ke-2 = (0,5 – 0,4)2 + (0,38 – 0,4)2 = 0,0104
• Jarak terkecil pada bobot ke-2, Bobot ke- 2 baru:
w21 = 0,5 + 0,6(0,4 – 0,5) = 0,4400
w22 = 0,38 + 0,6(0,4 – 0,38) = 0,3920
Epho ke-1
Data ke 5
• Jarak pada:
* bobot ke-1 = (0,2696 – 0,2)2 + (0,1496 – 0,4)2 = 0,0675
* bobot ke-2 = (0,44 – 0,2)2 + (0,392 – 0,4)2 = 0,0577
• Jarak terkecil pada bobot ke-2, Bobot ke- 2 baru:
w21 = 0,44 + 0,6(0,2 – 0,44) = 0,2960
w22 = 0,392 + 0,6(0,4 – 0,392) = 0,3968
Epho ke 2
• Setiap berganti epho maka Learning Rate berubah.
• Learning Rate Berubah pada epho ke 2 yaitu;
= 0,5 * 0,6
= 0,3
Lakukan hal yang sama sampai epho yang ditentukan yaitu epho ke 10
Bobot Akhir Epho ke 10
•Nilai bobot akhir setelah epoh ke-10 adalah:
w =
0,2190 0,3424
0,1351 0,3754
Pengujian No. 1
• Misalkan kita akan melakukan testing terhadap data ketiga: [0,3 0,1] termasuk
dalam cluster mana? maka kita cari terlebih dahulu jarak data tersebut pada
bobot setiap cluster:
• Jarak pada:
* bobot ke-1 = (0,2190 – 0,3)2 + (0,1351 – 0,1)2 = 0,0078
* bobot ke-2 = (0,3424 – 0,3)2 + (0,3754 – 0,1)2 = 0,0776
• Ternyata jarak yang lebih pendek adalah jarak terhadap bobot ke-1, maka
data tersebut termasuk dalam cluster pertama.
Pengujian No. 2
• Kita juga bisa melakukan testing terhadap data yang tidak ikut dilatih, misalkan: [0,4 0,5] termasuk dalam cluster mana, maka seperti biasa kita cariterlebih dahulu jarak data tersebut pada bobot setiap cluster
• Jarak pada:* bobot ke-1 = (0,2190 – 0,4)2 + (0,1351 – 0,5)2 = 0,1997* bobot ke-2 = (0,3424 – 0,4)2 + (0,3754 – 0,5)2 = 0,0404
• Ternyata jarak yang lebih pendek adalah jarak terhadap bobot ke-2, makadata tersebut termasuk dalam cluster kedua.
Selesai