Beranda > Algoritma dan Metode, Ilmu Komputer, Informatika, Teknologi > Analisis Perbandingan Pola Bobot pada Jaringan Syaraf Tiruan Self Organizing Map Sebagai Pemodelan Cluster Data

Analisis Perbandingan Pola Bobot pada Jaringan Syaraf Tiruan Self Organizing Map Sebagai Pemodelan Cluster Data

Self-Organizing-Feature-MapPembobotan merupakan bagian utama dari sebuah proses pada konsep Jaringan Syaraf Tiruan Self Organizing Map (SOM). Ide dasar SOM adalah bagaimana otak merekam pola yang dikenalinya melalui mata kemudian mampu mengungkapkan kembali pola tersebut. Arsitektur Jaringan Syaraf SOM terdiri dari atas Input, Output, Learning Rate, dan Bobot. Pembobotan pada SOM memiliki karakteristik yang harus diteliti lebih lanjut bagaimana pola dan nilainya dalam penentuan cluster. Penelitian ini dilakukan dengan menggunakan data latih yang bervariasi yaitu 1000, 2500, 3500 dan 5000 dengan maksmum epoch 100. Kasus dalam penelitian ini adalah pengelompokan data katalog buku dengan jumlah input 8 dan  learning rate awal 0.6. Dari penelitian ini diperoleh hasil bahwa jarak (D1 dan D2) mempunyai nilai stabil pada epoch 20, untuk bobot baru (wnew) setiap epoch data yang bervariasi memiliki kesamaan pada epoch ke 20, begitu juga penentuan maksimum selisih antara w1 dengan w2 memiliki pola yang sama untuk semua epoch dan variasi data yang digunakan, nilai maksimum mendekati nilai 1 juga berada pada epoch ke 20. Variasi data menunjukkan bahwa semakin banyak data yang digunakan maka persentase setiap cluster akan mengalami kenaikan dan penurunan yang konstan (tidak berubah naik atau turun), hal ini dilakukan dengan cara menormalkan antara hasil kedua cluster yang dibentuk. Pola bobot yang konstan akan meminimalisir kesalahan besar pada proses cluster.

Pendahuluan

Pembobotan merupakan salah satu dari beberpa proses yang harus dipenuhi dalam kasus kecerdasan komputasi [5][6], sebagai bagian dari skema dan arsitektur sebuah algoritma. Bobot dinyatakan dalam bentuk bilangan bulat maupun desimal yang memiliki type data interger ataupun rill. Beberpa teknik pembobotan telah disediakan dalam sebuah tools secara random untuk digunakan dalam berbagai permasalahan, salahsatunya pada Jaringan Syaraf Tiruan (Neural Network).

Jaringan Syaraf Tiruan merupakan suatu struktur jaringan syaraf yang diilhami dari struktur biologi, khususnya jaringan otak manusia [5]. Neuron meupakan proses terkecil dari otak, secara umum jaringan syaraf terbentuk dari beberapa jaringan neuron yang terinterkoneksi dan terintegrasi antara yang satu dengan yang lain. Dalam ilmu komputer salah satu implementasi jaringan syaraf banyak dimanfaatkan untuk kasus Cluster dan Klasifikasi.

Cluster merupakan pengelompokan yang dimulai dari skala terkecil dengan beberapa tahapan untuk mencari keberadaan kelompok tertentu dari suatu individu atau objek data. Self Organizing Map (SOM) adalah salah satu dari bagian Jaringan Syaraf Tiruan Clusterisasi. Ide dasarnya adalah bagaimana otak merekam pola yang dikenalinya melalui mata kemudian mampu mengungkapkan kembali pola tersebut. Arsitektur SOM terdiri dari atas Input, Output, Learning Rate, dan Bobot. Masing-masing dari arsitektur terbut mempunyai peranan yang berbeda-beda. Khusus untuk pembobotan, SOM memiliki dua model pembobotan yakni pembobotan yang dilakukan dengan cara menentukan bobot awal dan pmbobotan yang dilakukan secara random.

Berdasarkan jurnal dengan judul Self Organizing Map -based Document Clustering Using WordNet Ontologies mengatakan bahwa akurasi sebuah pembobotan pada SOM semakin banyaknya data pelatihan maka akan semakin kecil nilai bobot yang diperoleh dan mempunyai sebuah pola minimum [2]. Selain itu kualitas Cluster pada SOM memiliki pola akurasi tertinggi dibandingkan dengan K-Means dan Bisecting K-Means.

Pada tulisan ini akan dianalisis sebuah pembobotan pada SOM dengan menggunakan data latih katalog buku yang bervariasi yaitu 1000, 2500, 3500 dan 5000 data, dengan 8 kriteria yang digunakan yaitu Tahun, Edisi, Cetakan, Format, Jumlah Halaman, Berat, Jenis dan Harga yang masing-masing telah dilakukan normalisasi data. Outpun yang diharapkan dari tulisan ini adalah mengetahui pola-pola yang dibentuk oleh SOM dalam pembobotan dengan menggunakan variasi data serta mengetahui hasil persentase cluster dari beberapa pola data yang digunakan.

Kesimpulan

Dari pembahasan tentang analisis perbandingan bobot pada Self Organizing Map (SOM) dengan menggunakan beberapa data pelatihan dapat disimpulkan bahwa:

  1. Dengan penentuan bobot (w) awal untuk semua variasi data latih yang digunakan (L1000, L2500, L3500 dan L5000) diperoleh nilai jarak (D1 dan D2) stabil keduanya pada epoch ke 20 dengan penentuan learning rate (α) awal 0.6 .
  2. Hasil perhitungan jarak (D1 dan D2) menggunakan Euclidean berpengaruh untuk proses selanjutnya. Diperoleh nilai stabil pada bobot baru (wnew) setiap epoch untuk data yang bervariasi memiliki kesamaan pada epoch ke 20, begitu juga untuk penentuan maksimum selisih antara w1 dengan w2. Untuk selisih atara w1 dan w2 memiliki pola yang sama untuk semua epoch dan variasi data yang digunakan, nilai maksimum mendekati nilai 1 berada pada epoch ke 20.
  3. Cluster (y) yang dibentuk dari variasi data latih yang digunakan terdapat persentase (%) konstan naik pada salah satu cluster dan sebaliknya untuk cluster selainnya akan cenderung menurun secara konstan (tidak ada naik turun). Pengambilan persentase antara cluster 1 dan cluster 2 dilakukan dengan cara normaslisasi kedua cluster tersebut untuk dapat mengetahui pertemuan dan perpotongan titik maksimumnya.

Saran

Setelah dilakukan penelitian dan pemberian kesimpulan dari tulisan diatas, untuk kasus analisis perbandingan pola bobot pada Self Organizing Map (SOM) ini dapat dilakukan penenlitian lanjutan dengan beberapa saran sebagai berikut:

  1. Penentuan bobot (w) awal untuk setiap epoch dan variasi data dapat ditentukan dengan banyak variasi nilai pembobotan yang berbeda. Hasil dari pembobotan awal yang berbeda pada setiap variasi data dapat dibandingkan dengan hasil penelitian ini, apakah untuk setiap bobot baru dan dengan jumlah data yang bervariasi memiliki nilai yang stabil (tetap) pada epoch
  2. Gunakan lebih dari 2 output (y) cluster, amati pada nilai persentase antara cluster yang dibentuk. Apakah cluster tersebut memiliki nilai kenaikan dan penurunan secara konstan (tidak ada naik ataupun turun) untuk beberpa variasi data.

Daftar Pustaka

[1]      Engelbrecht, Andries P. 2007. Computational Intelligence an Introduction Second Edition. Wiley

[2]      Gharib, Tarek F. and Mohammed M. Fouad. 2012. Self Organizing Map -based Document Clustering Using WordNet Ontologies. IJCSI International Journal of Computer Science Issues, Vol. 9, Issue 1, No 2, January 2012.

[3]      Hernawan, Mohdiana. 2012. Simulasi Kompresi Citra dengan Neural Network menggunakan Metode Self-Organizing Map. Thesis Universitas Diponegoro

[4]      Jin, Huidonget al. 2004. Expanding Self-Organizing Map for data visualization and cluster analysis. Information Sciences 163 (2004) 157–173

[5]      Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan menggunakan Matlab dan Excell Link. Graha Ilmu. Jogjakarta.

[6]      Kusumadewi, Sri dan Sri Hartati. 2010. Neuro-Fuzzy, Integrasi Sistem Fuzzy dan Jaringan Syaraf Edisi ke-2. Graha Ilmu. Jogjakarta

[7]      Lobo, Victor J.A.S. 2005. Application of Self-Organizing Maps to the Maritime Environment. Portuguese Naval Academy

[8]      Priyadharshini, M. danA.Kumaravel. 2013. Comparison and Classification of Pictures by SOM and Metaclassifiers. International Journal of Advanced Research in Computer Science and Software Engineering. India. Volume 3, Issue 4, April 2013.

[9]      Shekar, Chandra and G.Shoba. 2009. Classification Of Documents Using Kohonen’ s Self-Organizing Map. I nternational Journal of Computer Theoryand Engineering, Vol. 1,No. 5, December, 2009

Mustakim (Procedings SNTIKI 6 UIN Suska Riau)

  1. Belum ada komentar.
  1. No trackbacks yet.

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Foto Google

You are commenting using your Google account. Logout /  Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

Connecting to %s

%d blogger menyukai ini: