Metode LVQ (Learning Vector Quantization) Untuk Pengenalan Pola

LVQ (Learning Vector Quantization) merupakan metode dalam Jaringan Syaraf Tiruan untuk melakukan pembelajaran terhadap layer yang supervised. Metode klasifikasi pola dengan setiap unit-keluaran mewakili satu kelas tertentu atau satu kategori tertentu. Digunakan vektor acuan (Vector Reference/Codebook). Vektor bobot dari satu unit keluaran yang menjadi acuan bagi kelas/kategori yang diwakili oleh keluaran tersebut. Pendekatan yang dilakukan adalah dengan mengelompokkan vektor input berdasarkan kedekatan jarak vector input terhadap bobot (metode kuadrat jarak Euclidean minimum).

Arsitektur LVQ :

Arsitektur LVQ

Arsitektur di atas merupakan contoh struktur jaringan LVQ yang memiliki 4 input layer dengan 2 unit neuron pada output layer. W1 dan W2 merupakan bobot yang menghubungkan input layer ke output layer. Setiap fungsi aktivasi F melakukan pemetaan setiap y_In ke klasifikasi y1 atau y2. Pada F1, jika |x-w1|<|x-w2| maka y_In1 dipetakan ke y1=1 dan dipetakan ke y1=0 jika sebaliknya. Kondisi ini berlaku juga pada F2, dengan kondisi yang sesuai.

Algoritma :

  • Langkah 0: Inisialisasi
    • Inisialisai Vektor-Vektor Acuan
    • Inisialisai Laju Pembelajaran alfa=0
  • Langkah 1: Jika kondisi stop salah, lakukan langkah 2-6
  • Langkah 2: Untuk setiap training vector, lakukan langkah 3-4
  • Langkah 3: Dapatkan nilai j sehingga ||x-wj|| bernilai minimum
  • Langkah 4: Update nilai bobot wj
    • Jika T = Cj

Wj(baru) = wj(lama) + α(x-wj(lama))

  • Jika T ≠ Cj

Wj(baru) = wj(lama) – α(x-wj(lama))

  • Langkah 5: Update nilai learning rate
  • Langkah 6: Uji kondisi stop

      Uji kondisi stop ini dapat dilakukan berdasarkan jumlah iterasi tertentu (mulai dari langkah 1) atau setelah laju pembelajaran yang telah mencapai harga yang sangat kecil.

  • Dimana:

      X = training vector (x1 ,….,xi,… ,xn)

      T = kategori training vector yang benar untuk pelatihan

      Wj = vector bobot untuk unit keluaran ke-j (w1j,….,wij,…..,win)

      Cj = kategori  atau kelas yang diwakili oleh nilai unit keluaran  ke-j(hasil training)

      ||x-wj|| = Euclidian  distances antara vektor masukkan dan vektor bobot dari unit keluaran ke-j.

Artikel-artikel terkait :

  1. Metode SOM (Self Organizing Maps) Untuk Pengenalan Pola.

Be Sociable, Share!

You may also like...

2 Responses

  1. I’m very pleased to find this page. I wanted to thank you for ones time just for this wonderful read!! I definitely liked every bit of it and i also have you book-marked to look at new information in your blog.

  2. ditalino says:

    You ought to be a part of a contest for one of the most useful websites on the net. I will highly recommend this web site!

Leave a Reply

Your email address will not be published. Required fields are marked *