Neural Network Self Organizing Maps

No comment 1798 views

Metode learning Self Organizing Maps (SOM) bertujuan untuk mengklasifikasikan suatu vektor-vektor input berdasarkan bagaimana mereka mengelompok sesuai dengan karakteristik inputnya. Learning self organizing maps (SOM) bekerja dengan cara menggabungkan proses competitive layers dengan topologi vektor-vektor input yang dimasukkan dalam proses iterasi. Jaringan SOM terdiri dari dua lapisan (layer), yaitu lapisan input dan lapisan output. Setiap neuron dalam lapisan input terhubung dengan setiap neuron pada lapisan output. Setiap neuron dalam lapisan output merepresentasikan kelas dari input yang diberikan. Selama proses penyusunan diri, cluster yang memiliki vektor bobot paling cocok dengan pola input (memiliki jarak paling dekat) akan terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron tetangganya akan memperbaiki bobot-bobotnya. Apabila kita ingin membagi data-data menjadi K cluster, maka lapisan kompetitif akan terdiri atas K buah neuron.

self organizing maps
self organizing maps

Gambar diatas  menunjukkan contoh arsitektur jaringan self organizing dengan 2 unit pada lapisan input (P1 dan P2), serta 3 unit (neuron) pada lapisan output (Y1,Y2, dan Y3). Sebagai catatan, bobot wij di sini mengandung pengertian, bobot yang menghubungkan neuron ke-j pada lapisan input ke neuron ke-i pada lapisan output.

Algoritma pengelompokkan pola jaringan SOM adalah sebagai berikut:
Tahap 0 Inisialisasi awal Bobot wij (random) Nilai parameter learning rate (α) dan faktor penurunannya Bentuk dan jari-jari (R) topologi sekitarnya
Tahap 1 Selama kondisi penghentian bernilai salah, lakukan langkah 2 – 7

Tahap 2 Untuk setiap input vektor x, (i = 1, 2, ..., n) lakukan langkah 3 – 5

Tahap 3 Hitung D(j) untuk semua j (j = 1, 2, ..., m)

self orgazing maps

Tahap 4 Tentukan indeks J sedemikian sehingga D(j) minimum

Tahap 5 Untuk setiap unit j di sekitar J, modifikasi bobot

wij(baru) = wij (lama) + a[xi-wij(lama)]

Tahap 6 Modifikasi parameter learning rate

at+1 =0,5.at

Tahap 7 Uji kondisi penghentian

Kondisi penghentian iterasi adalah selisih antara wij saat itu dengan wij pada iterasi sebelumnya. Apabila semua wij hanya berubah  sedikit saja, berarti iterasi sudah mencapai konvergensi sehingga dapat dihentikan.

dalam ujicoba ini ahmad faza melakukan ujicoba dengan teks "kategorisasi teks menggunakan self organizing maps" jadi SOM di gunakan untuk teks yang biasanya di gunakan untuk citra dan sebagainya.

author
Linuxer | Blogger | Pencinta Kuliner | Suka Jalan2 | Pecandu sosial media

Leave a reply "Neural Network Self Organizing Maps"

______Anti Spam____ * Time limit is exhausted. Please reload CAPTCHA.