Metode SOM (Self Organizing Maps) Untuk Pengenalan Pola

SOM (Self Organizing Maps) merupakan metode dalam Jaringan Syaraf Tiruan untuk melakukan pembelajaran terhadap layer yang unsupervised .SOM terdiri dari m unit kelompok yang tersusun dalam larik satu atau dua dimensi, dengan sinyal masukan yang terdiri dari w-tuples.

Vektor bobot dari unit-kelompok akan berfungsi pula sebagai vector pewakil dari pola-pola(vektor) masukan yang terangkumdalam unit-kelompok tersebut. Selama proses pembentukan swa-organisasinya, unit-kelompok yang mempunyai vector bobot paling mirip dengan suatu vektor masukan (pada umumnya, menggunakan metoda kuadrat jarak Euclidean minimum) dinyatakansebagai pemenangnya.Unit pemenang dan unit-unit tetangganya (sesuai dengan topologi dari unit-unit kelompok) akanmemperbaharui nilai bobot-bobotmereka. Vektor bobot dari unit-unit tetangga, pada umumnya, tidak berkemiripan dengan vector masukan.Sebagai contoh, untuk unit-kelompok yang tersusun dalam struktur larik linier, unit tetangga dengan radius R disekitar unit J terdiri dari semua unit j dimana :max(l,J-R) < j < min(J+R,m).

Arsitektur SOM :

Arsitektur SOM

Arsitektur SOM diatas 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.

Algoritma SOM :

  • Langkah 0 : Inisialisasi pembobotan wij dengan nilai random.
    • Menset parameter learning rate(α)
    • Menset parameter radius tetangga (R)
  • Langkah 1 : Apabila kondisi selesai belum terpenuhi, lakukan langkah 2-8
  • Langkah 2 : Untuk tiap vektor input

x(xi, i =1,…,n),lakukan langkah 3-5

  • Langkah 3 : Untuk tiap j (j =1,…m), hitung jarak Euclidean
  • Langkah 4 : Mencari indeks j dengan jarak D(j) terdekat (minimum)
  • Langkah 5 : Melakukan perbaikan nilai wij dengan nilai tertentu.Yaitu:

wij(new)=wij(old) + α[xi – wij(old)]

  • Langkah 6 : Melakukan update learning rate.

α (t+1) = 0.5 αt

  • Langkah 7 : Mereduksi radius dari fungsi tetangga pada waktu tertentu (epoch).
  • Langkah 8 : Menentukan kondisi STOP.

Dimana:

                 X : vektor input pembelajaran.

                 X = (x1,x2,…,xj,…,xn).

                 α : learning rate

                 R : radius neighborhood

                 XI : neuron/node input.

                 w0j : bias pada neuron output ke-j

                 Yj : neuron/node output ke-j

                 C : konstanta

Artikel-artikel Terkait :

  1. Metode LVQ (Learning Vector Quantization) Untuk Pengenalan Pola.

Be Sociable, Share!

You may also like...

Leave a Reply

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