klasifikasi data lvq learning vector quantization
TRANSCRIPT
-
Klasifikasi Data dengan Learning VectorQuantization
Oleh : [email protected]
http://softscients.blogspot.com
Learning vector quantization, Setelah penulis membuat versi di java, kini dilakukanporting kedalam platform .Net 4.0 yaitu C# karena C# untuk melakukan komputasiarray dalam jumlah besar, lumayan lebih cepat.
Mengenal LVQ yaitu algoritma non linear yang bekerja untuk melakukan klasifikasisupervisi sehingga kita harus mempunyai input dan target yang telah diketahuisebagai bahan untuk mencari nilai bobot yang optimal
Aturan LVQ agar berbeda dengan backpropagation yaitu lebih simple tidakmenggunakan fungsi aktifasi, tapi yang lebih penting adalah bobot awal yangdigunakan harus tepat
Misalkan
-
Saya mempunya 6 paramater dengan 16 data sample untuk diklasifikan menjadi
Maka matrix bobot nya yaitu
Misalkan kita mempunyai data berikut
LOGIKA OR
P{1} itu artinya parameter 1 dan 2
T itu target, dalam hal ini angka 2 mewakili true dan 1 mewakili false
Sehingga dalam kasus logika boolean OR ada 2 kelas dan 2 parameter dengan 4sample data yang digunakan
-
Maka
Field Jumlah Parameter diisi dengan 2 kemudian klik Buat Tabel Latih
Isi Tabel Latih kemudian klik Load Data
Isikan tabel Bobot
-
Setelah semua nya selesai! Klik Latih
Akan menghasilkan
Pada tahap ini, anda selesai melakukan proses pelatihan
Kemudian pilih tab Pengujian
Untuk melakukan pengujian, isilah Tabel Uji kemudian klik Uji
-
Menghasilkan
Semuanya telah berjalan dengan baik
-
Mari kita uji dengan data-data yang lainnya, misalkan pada contoh berikut (biasa nyapenulis menggunakan Kmeans clustering untuk menentukan centroid nya! TapiKmeans cocok untuk kasus 2 dimensi atau 3 diakan sulit). Misalkan kita mempunyai 3 klasifikasi data yaitu
Agar lebih mudah, kita plotkan saja ke versi 2 dimensi yaitu
Terlihat bahwa secara ploting, terdapat 3 pusat data, bagaiamana LVQ dapatmembantu kita??
data yang lainnya, misalkan pada contoh berikut (biasa nyapenulis menggunakan Kmeans clustering untuk menentukan centroid nya! TapiKmeans cocok untuk kasus 2 dimensi atau 3 dimensi, lha kalau multidimensi ituakan sulit). Misalkan kita mempunyai 3 klasifikasi data yaitu
Agar lebih mudah, kita plotkan saja ke versi 2 dimensi yaitu
Terlihat bahwa secara ploting, terdapat 3 pusat data, bagaiamana LVQ dapat
data yang lainnya, misalkan pada contoh berikut (biasa nyapenulis menggunakan Kmeans clustering untuk menentukan centroid nya! Tapi
mensi, lha kalau multidimensi itu
Terlihat bahwa secara ploting, terdapat 3 pusat data, bagaiamana LVQ dapat
-
Silahkan buka aplikasi pada tab Pelatihan
Klik Label Import CVS
Buka data (carilah file dengan nama data3.csv)
Agar lebih mudah nya! Klik Isi Bobot Acak agar Bobot nya terisi secara acak
-
Kumudian, klik Latih untuk proses pelatihan
Bila terdapat pesan
Sebaik nya ubah bobot nya lagi!
Misalkan penulis mengubah ke bobot
0,0
0,0
0,0
0,0
Kemudian klik Latih lagi, akan menghasikan
Yaitu
-
Nah, anda siap menggunakan untuk proses Pengujian jika perlu, contoh berikut
Terlihat bahwa LVQ dapat klasifikasi dengan baik.
-
FAQ:
T: Bagiamana saya bisa mendowload contoh file biner dan contoh *.csv nya
J: Silahkan kirim email ke [email protected] atauhttp://softscients.blogspot.com untuk mendapatkan link di dropbox.com mengenaibiner application dan *.csv nya
T: Bagaimana saya mendapatkan tutorial step by step mengenai LVQ serta sourcecode nya?
J: silahkan kirim email untuk penjelasan lebih lanjut
T: Bisakan saya pesan aplikasi tersebut untuk dilakukan kustomisasi untuk risetatau project
J: bisa dipesan