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