Академический Документы
Профессиональный Документы
Культура Документы
NEURAL NETWORK
TOPIK PEMBAHASAN
DOSEN :
PROGRAM MAGISTER
JURUSAN STATISTIKA (KOMPUTASI STATISTIK)
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA)
INSTITUT TEKNOLOGI SEPULUH NOVEMBER SURABAYA
2010
Tugas Neural Network kelompok II
DAFTAR ISI
DAFTAR ISI ....
2.1
2.2
PENDAHULUAN ..
2.1.1 PENGERTIAN ..
2.1.3 ALGORITMA .
PEMBAHASAN ..
2.1 PENDAHULUAN
2.1.1 Pengertian
Learning Vector Quantization (LVQ) adalah salah satu metode jaringan
syaraf tiruan yang digunakan dalam klasifikasi dan pengenalan pola. Pada
metode ini, masing-masing unit output mewakili kategori atau kelas tertentu.
Pada jaringan LVQ, proses pembelajaran atau pelatihan harus dilakukan
terlebih dahulu. dalam proses pembelajaran, vector input yang diberikan akan
terklasifikasikan secara otomatis. Apabila beberapa vector input memiliki jarak
yang sangat berdekatan, maka vector-vektor input tersebut akan
dikelompokkan dalam kelas yang sama.
Setelah pembelajaran selesai dijalankan, maka langkah selanjutnya
adalah melakukan pengujian bias. Pengujian dilakukan dengan menghitung
jarak antara input pengujian dengan bobot akhir dari masing-masing kelas
output. Kelas yang memiliki jarak terdekat dengan vektor input akan menadi
pemenang.
2.1.2 Arsitektur
LVQ merupakan jaringan syaraf tiruan yang terdi atas unit masukan
(Xn) dan unit keluaran (Ym). Adapun arsitekturnya seperti gambar di bawah ini
:
Gambar 1. Contoh arsitektur jaringan LVQ
Keterangan :
1, 2 ,,
= Vektor input
1, 2 ,,
= Vektor Output
Wij
i, j
= 1, 2, 3,
2.1.3 Algoritma
Notasi :
X
: Training Vektor
Wj
Cj
X Wj : Jarak Euclidian
Step 0
Inisialisasi
Step 1
Step 3
Step 4
Update Wj
Jika T = Cj
=
Jika T Cj
Step 5 Update learning rate
Step 6
2.2 PEMBAHASAN
Berikut disajikan penerapan pengkategorisasian menggunakan jaringan
LVQ berdasarkan IPM Provinsi Jawa Timur tahun 2004. Kabupaten-kabupaten
di jawa Timur dikelompokkan berdasarkan IPM. Adapun komponen pembentuk
IPM yang meliputi Angka Harapan Hidup (AHH), Angka Melek Huruf (AMH),
Rata-rata Lama Sekolah (ALS) dan Pengeluaran Riil Perkapita (PPP), akan
dijadikan sebagai vector input (masukan)-nya. Sedangkan pengelompokkan
kabupaten berdasarkan IPM dijadikan sebagai vector output (keluaran)-nya.
Kabupaten yang berada pada kelompok 1 menunjukkan bahwa kabupaten
tersebut memiliki IPM rendah, kelompok 2, IPM sedang, dan kelompok 3
menunjukkan kelompok kabupaten degan IPM tinggi.
Pengelompokkan
kabupaten dapat dilihat pada tabel berikut ini :
No.
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
Kel
(awal)
1
1
2
2
3
3
2
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
5
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
Magetan
Mojokerto
Trenggalek
Tulungagung
Kt Batu
Kt Kediri
Kt Blitar
Kt Mojokerto
Kt Pasuruan
Kt Probolinggo
Kt Surabaya
69.9
68.3
69.9
70.3
69.2
69.1
70.5
65.4
68.1
67.8
69.9
89.8
91.1
89.1
88.5
96.1
96.5
95.0
95.4
88.0
95.5
95.9
7.2
7.1
6.5
6.9
9.6
9.0
9.1
8.4
7.8
9.3
9.8
613.6
619.1
617.4
619.7
631.0
620.3
639.0
631.6
635.7
636.6
619.6
2
2
2
2
2
2
3
3
3
3
3
Jumlah data = 37
Misalkan ditetapkan
maksimum epoch
Learning rate =0.1
=3
= 500
Dari ke-37 data tersebut akan diambil 6 data pertama untuk dijadikan bobot
yang masing-masing akan mewakili kelas 1, 2 dan 3 (Tabel 2) :
Tabel 2.2. Bobot Awal
No.
1.
2.
3.
4.
5.
6.
Kab/Kota
Bangkalan
Banyuwangi
Jombang
Kediri
Blitar
Gresik
AHH
(X1)
61.6
64.9
68.4
68.4
69
69.2
AMH
(X2)
73.6
84.3
87.6
88.6
85.8
91.8
ALS
(X3)
4.8
6.3
7.2
6.5
6.3
7.8
PPP
(X4)
609.4
616.5
616.8
613.7
636.1
620.1
Kel
(awal)
1
1
2
2
3
3
Sedangkan sisanya, data ke-7 sampai 37, akan dipakai sebagai data-data yang
akan dilakukan pelatihan.
Akan dibentuk jaringan kompetitif dengan algoritma pembelajaran LVQ net,
yang terdiri dari 4 neuron pada lapisan kompetitif (lapisan tersembunyi), 3 kelas
dengan masing-masing memiliki kemungkinan kemunculan yang sama (1/3).
Instruksi :
T = ind2vec(Tc);
JumlahKlas
= size(full(T),1);
JumlahNeuron
= 4; net =
newlvq(minmax(p),JumlahNeuron,(1/JumlahKlas)*ones(1,JumlahKlas));
Kemudian hasilnya akan disimulasikan, dengan input yang sama dengan input
data pelatihan (data training). Output hasil simulasi akan disimpan pada vector
H instruksi :
y = sim (net,m);
yc = vec2ind(y)
Hasilnya adalah :
Columns 1 through 14
3
Columns 15 through 28
1
Columns 29 through 31
3
73.6
84.3
87.6
88.6
85.8
91.8
4.8
6.3
7.2
6.5
6.3
7.8
609.4;
616.5;
616.8;
613.7;
636.1;
620.1]
p = p'
Tc = [1 1 2 2 3 3]
T = ind2vec(Tc);
JumlahKlas
= size(full(T),1);
JumlahNeuron
= 4;
net = newlvq(minmax(p),JumlahNeuron,(1/JumlahKlas)*ones(1,JumlahKlas));
bobot_awal_input = net.IW{1,1}
bobot_awal_lapisan = net.LW{2,1}
net.trainparam.epochs = 500;
net.trainparam.goal = 0.01;
net = train(net,p,T);
M = [70.5
95.0
69.2
96.1
66.3
81.0
60.7
73.7
61.1
79.1
67.2
84.0
65.7
79.8
67.5
82.3
67.5
85.8
67.5
80.1
70.0
83.1
61.7
79.3
62.2
84.4
67.5
78.7
59.6
74.4
59.2
61.3
61.7
72.4
62.9
73.3
66.1
78.7
69.1
96.5
70.5
94.9
69.9
89.8
68.3
91.1
69.9
89.1
70.3
88.5
65.4
95.4
68.1
88.0
67.8
95.5
69.9
95.9
67.0
83.9
68.8
96.6
m = M'
y = sim (net,m);
yc = vec2ind(y)
9.1
9.6
5.9
5.0
5.4
6.6
5.7
6.4
6.6
5.9
6.0
5.4
6.2
6.0
4.9
3.4
5.1
4.7
5.5
9.0
9.2
7.2
7.1
6.5
6.9
8.4
7.8
9.3
9.8
6.5
9.3
639.0;
631.0;
592.3;
608.1;
609.8;
614.4;
612.5;
615.8;
613.9;
601.8;
615.5;
609.3;
615.2;
620.7;
616.0;
606.7;
615.5;
615.7;
609.5;
620.3;
632.9;
613.6;
619.1;
617.4;
619.7;
631.6;
635.7;
636.6
619.6
615
627.7]
64.9000
84.3000
6.3000
616.5000
68.4000
87.6000
7.2000
616.8000
68.4000
88.6000
6.5000
613.7000
69.0000
85.8000
6.3000
636.1000
69.2000
91.8000
7.8000
620.1000
Tc =
1
bobot_awal_input =
65.4000
65.4000
65.4000
65.4000
82.7000
82.7000
82.7000
82.7000
6.3000
6.3000
6.3000
6.3000
622.7500
622.7500
622.7500
622.7500
bobot_awal_lapisan =
1
0
0
0
1
0
0
0
1
0
0
1
m =
Columns 1 through 8
70.5000
95.0000
9.1000
639.0000
69.2000
96.1000
9.6000
631.0000
66.3000
81.0000
5.9000
592.3000
60.7000
73.7000
5.0000
608.1000
61.1000
79.1000
5.4000
609.8000
67.2000
84.0000
6.6000
614.4000
65.7000
79.8000
5.7000
612.5000
67.5000
82.3000
6.4000
615.8000
61.7000
79.3000
5.4000
609.3000
62.2000
84.4000
6.2000
615.2000
67.5000
78.7000
6.0000
620.7000
59.6000
74.4000
4.9000
616.0000
59.2000
61.3000
3.4000
606.7000
69.1000
96.5000
9.0000
620.3000
70.5000
94.9000
9.2000
632.9000
69.9000
89.8000
7.2000
613.6000
68.3000
91.1000
7.1000
619.1000
69.9000
89.1000
6.5000
617.4000
Columns 9 through 16
67.5000
85.8000
6.6000
613.9000
67.5000
80.1000
5.9000
601.8000
70.0000
83.1000
6.0000
615.5000
Columns 17 through 24
61.7000
72.4000
5.1000
615.5000
62.9000
73.3000
4.7000
615.7000
66.1000
78.7000
5.5000
609.5000
Columns 25 through 31
70.3000
88.5000
6.9000
619.7000
65.4000
95.4000
8.4000
631.6000
68.1000
88.0000
7.8000
635.7000
67.8000
95.5000
9.3000
636.6000
69.9000
95.9000
9.8000
619.6000
67.0000
83.9000
6.5000
615.0000
68.8000
96.6000
9.3000
627.7000
yc =
Columns 1 through 14
3
Columns 15 through 28
1
Columns 29 through 31
3
Kab/Kota
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
Bangkalan
Banyuwangi
Jombang
Kediri
Blitar
Gresik
Kt Madiun
Kt Batu
Bojonegoro
Bondowoso
Jember
12.
Lamongan
Pengelompokkan
awal
1
1
2
2
3
3
2
2
1
1
1
Pengelompokkan
LVQ
1
1
2
2
3
3
3
*
3
*
1
1
1
10
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
Lumajang
Madiun
Nganjuk
Ngawi
Pacitan
Pamekasan
Pasuruan
Ponorogo
Probolinggo
Ssampang
Situbondo
Sumenep
Tuban
Kt Kediri
Magetan
Mojokerto
Trenggalek
Tulungagung
Kt Batu
Kt Kediri
Kt Blitar
Kt Mojokerto
Kt Pasuruan
Kt Probolinggo
Kt Surabaya
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
3
3
3
3
3
1
1
1
1
1
1
1
1
1
1
1
1
1
3
3
2
3
2
3
3
3
3
3
1
3
*
*
*
*
*