JARINGAN SYARAF TIRUAN KOHONEN INF 1.pptx

Materi tentang Jaringan syaraf tiruan kohonen

1. JARINGAN SYARAF TIRUAN KOHONEN By : ABI AL ZAMILI 42422055 MOH. ZENADIN IRFAN 42421019

2. PENGERTIAN Kohonen adalah metode jaringan syaraf tiruan unsupervised learning yang digunakan untuk memetakan data berdimensi tinggi menjadi representasi dua dimensi yang mudah divisualisasikan.Tujuan utamanya adalah untuk mengelompokkan dan memvisualisasikan pola dari data tanpa label kelas.

3. KARAKTERISTIK Termasuk unsupervised learning. Cocok untuk clustering dan visualisasi data. Memetakan data input ke dalam grid 2D (peta topologi). Setiap neuron mewakili prototipe dari klaster tertentu. Dapat digunakan untuk reduksi dimensi dan deteksi pola.

4. ARSITEKTUR KOHONEN

5. ALGORITMA Step 1: Inisialisasi bobot neuron dengan nilai acak. Step 2: Pilih data input acak dari dataset. Step 3: Hitung jarak antara input dan seluruh neuron (biasanya menggunakan Euclidean Distance).

6. ALGORITMA Step 4: Tentukan neuron yang paling dekat sebagai BMU (Best Matching Unit) . Step 5: Update bobot BMU dan tetangganya menggunakan : Di mana h(t) adalah fungsi tetangga dan a(t) adalah learning rate. Step 6: Ulangi langkah hingga epoch selesai atau konvergen.

7. CONTOH SOAL Diketahui data input : X = (0.4, 0.6) Bobot awal neuron (2 neuron) : W1 = (0.2, 0.8) W2 = (0.5, 0.4)

8. CONTOH SOAL Pertanyaan: Hitung jarak antara input X dengan masing-masing neuron (W1 dan W2) Tentukan BMU (Best Matching Unit) Hitung bobot baru untuk BMU setelah 1 kali update

9. JAWABAN Hitung jarak Euclidean : Jarak ke W1: √[(0.4−0.2)² + (0.6−0.8)²] = √[0.04 + 0.04] = √0.08 ≈ 0.283 Jarak ke W2: √[(0.4−0.5)² + (0.6−0.4)²] = √[0.01 + 0.04] = √0.05 ≈ 0.224 BMU = Neuron W2 (karena jaraknya paling dekat dengan input X)

10. JAWABAN Update Bobot W2 : Rumus : W_baru = W_lama + α * (X − W_lama) W2 = (0.5, 0.4) X = (0.4, 0.6) α = 0.5 W2_baru = (0.5 + 0.5*(0.4−0.5), 0.4 + 0.5*(0.6−0.4)) = (0.5 − 0.05, 0.4 + 0.1) = (0.45, 0.5)

11. JAWABAN BMU = W2 Bobot baru W2 = (0.45, 0.5)

12. KELEBIHAN Dapat digunakan untuk visualisasi data berdimensi tinggi. Mampu melakukan clustering tanpa label. Struktur hasil bisa divisualisasikan (peta warna, U-Matrix). Proses belajar memperhatikan struktur topologi.

13. KEKURANGAN Tidak cocok untuk klasifikasi supervised secara langsung. Butuh tuning parameter seperti ukuran grid, learning rate, decay, dll. Interpretasi hasil bisa subjektif jika tidak divisualisasikan dengan benar.

14. KESIMPULAN Kohonen Self-Organizing Map (SOM) merupakan metode jaringan syaraf tiruan yang bekerja tanpa supervisi (unsupervised learning) dan berfungsi untuk mengelompokkan serta memvisualisasikan data secara otomatis berdasarkan kemiripan pola. Proses pembelajaran dilakukan dengan mencari neuron yang paling mendekati input, yang disebut Best Matching Unit (BMU), lalu memperbarui bobot neuron tersebut beserta tetangganya agar lebih menyerupai data yang masuk.

15. REFERENSI Kohonen, T. (1995). Self-Organizing Maps. Springer.Fausett, L.V. (1994). Fundamentals of Neural Networks.Mariani, S., & Setyowati, E. (2022). Implementasi SOM untuk klasifikasi pelanggan. https://lmsspada.kemdiktisaintek.go.id/pluginfile.php/79301/mod_resource/content/1/11-Kohonen_Yogiek%20Indra%20Kurniawan.pdf