Jaringan Syaraf Tiruan

1. 04
8 Oktober 2020
Jaringan Kohonen
Dinda Ayu Yunitasari / 221017026

2. BAB I
DASAR TEORI
Jaringan kohonen ini pertama kali diperkenalkan oleh Prof. Teuvo Kohonen pada tahun
1982. Pada jaringan ini, suatu lapisan yang berisi neuronneuron akan menyusun dirinya 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 terpilih sebagai pemenang. Neuron yang menjadi
pemenang beserta neuron-neuron tetangganya akan memperbaiki bobot-bobotnya. Kohonen
adalah merupakan algoritma jaringan cerdas dengan kategori pembelajaran secara kompetitif
dan bersifat unsupervised.
Sistem secara otomatis dapat melakukan pengelompokan atau klasifikasi tanpa
menggunakan pembelajaran dengan pasangan data terlebih dahulu. Secara umum, pembaruan
nilai bobot adalah berdasar nilai jarak terkecil dari bobot terhadap nilai data masukan.
Pembaharuan dilakukan hanya pada bobot yang berhubungan dengan node yang terdekat.
Gambar 1. Arsitektur Jaringan Kohonen
Keterangan :
𝑋𝑖 = Input Data
𝑊𝑖𝑗 = Bobot
𝑌𝑖 = Output Cluster
Algoritma Jaringan Kohonen :
1. Hitung nilai D(j) yang merupakan jarak antara bobot dengan data masukan vektor.
𝐷( 𝑗) = ∑ 𝑖 (𝑊𝑖𝑗 − 𝑋𝑖)2
2. Temukan D(j) minimum dari perhitungan pada kedua bobot tersebut.
3. Lakukan pembaruan pada bobot yang memiliki nilai D(j) minimum.
𝑊𝑖𝑗( 𝑛𝑒𝑤) = 𝑊𝑖𝑗( 𝑜𝑙𝑑) + 𝛼 (𝑋𝑖 − 𝑊𝑖𝑗( 𝑜𝑙𝑑))

3. 4. Terdapat bobot baru setelah pembaruan tersebut.
5. Ulangi langkah 1 hingga 4 untuk vector selanjutnya.
6. Update Learning Rate.
7. Proses pembelajaran ini akan berlangsung terus hingga epochnya mencapai
maksimum epoch.
8. Proses iterasi berhenti jika bobot baru dengan bobot lama selisihnya adalah nol.

4. BAB 2
PERALATAN
1. Modul Materi
2. PC / Laptop
3. Software Visual C (Visual Studio 2013)

5. BAB 3
PERCOBAAN
1. Program Jaringan Kohonen dengan kluster data sebagai berikut. Yang akan di kluster
menjadi 2 kluster, dengan Learning Rate (𝛼 = 0.6) dengan kenaikan tiap epoch akan
diset 0,5× ( 𝛼), dengan bobot matriks berukuran 2 × 4
W[2][4]=
𝑋1 𝑋2 𝑋3 𝑋4
1 1 0 0
0 0 0 1
1 0 0 0
0 0 1 1
{0.2 0.6 0.5 0.9}
{0.8 0.4 0.7 0.3}}

6. 2. Program Jaringan Kohonen dengan kluster data sebagai berikut. Yang akan di kluster
menjadi 2 kluster, dengan Learning Rate (𝛼 = 0.6) dengan kenaikan tiap epoch akan
diset 0,5× ( 𝛼), dengan bobot awal adalah matriks berukuran 2 × 2 dengan tiap elemen
bernilai 0.5. Maksimum epoch yang ditetapkan sebesar 10.
𝑋1 𝑋2
0.1 0.1
0.2 0.2
0.3 0.1
0.5 0.3
0.4 0.4
0.2 0.4

7. BAB 4
HASIL PERCOBAAN DAN ANALISA
1. Program Ke-1
2. Program Ke -2

8. Analisa :
1. Pada program pertama, dengan vector input 4 x 4 dan bobot awal dengan matriks 2
x 4, dilakukan kluster menjadi 2 kelompok dengan menggunakan maksimal
epochnya adalah 100x dan perbaikan learning rate dengan mengalikan leraning rate
saat ini dengan 0.5, dimana sebelum membaginya dalam setiap kluster diperlukan
testing terlebih dahulu terhadap setiap input vector dengan menjumlahkannya dari
hasil bobot dikurangi input dan yang digunakan untuk perhitungan kluster
selanjutnya adalah nilai yang paling kecil, sehingga setelah melakukan looping
sebanyak 100x, diperoleh nilai 0.64 sebagai nilai kluster paling kecil.
2. Pada program pertama, dengan vector input 2 x 6 dan bobot awal dengan matriks 2
x 2 dengan nilai tiap elemen adalah 0.5 dilakukan kluster menjadi 2 kelompok
dengan menggunakan maksimal epochnya adalah 10x dan perbaikan learning rate
dengan mengalikan leraning rate saat ini dengan 0.5, dimana sebelum membaginya
dalam setiap kluster diperlukan testing terlebih dahulu terhadap setiap input vector
dengan menjumlahkannya dari hasil bobot dikurangi input dan yang digunakan
untuk perhitungan kluster selanjutnya adalah nilai yang paling kecil, sehingga
setelah melakukan looping sebanyak 10x, diperoleh nilai 0.15 sebagai nilai kluster
paling kecil.

9. BAB 5
KESIMPULAN
Jaringan kohonen adalah jaringan cerdas yang bersifat unsupervised. Dimana secara otomatis
dapat melakukan pengelompokan atau kasifikasi tanpa menggunakan pembelajaran dengan
pasangan data terlebih dahulu. Untuk memperoleh nilai kluster diperlukan proses inisialisasi
bobot, inisialisasi jumlah cluster yang akan dibentuk, mengatur nilai learning rate dan
menginisialisasi input vector yang akan diklasifikasikan. Pada proses pembelajaran ini akan
berlangsung terus hingga epochnya mencapai maksimum dan proses iterasinya akan berhenti
jika bobot baru dengan bobot lama selisihnya adalah nol.