You are on page 1of 11

TUGAS MATA KULIAH:

NEURAL NETWORK
TOPIK PEMBAHASAN

PENGELOMPOKKAN MENGGUNAKAN JARINGAN LVQ BERDASARKAN


IPM PROVINSI JAWA TIMUR TAHUN 2004
OLEH KELOMPOK II:
1. Yenita Mirawanti
2. Maslim Rajab Syafrizal
3. Agus Widodo
4. Dewi Fenti Ekasari

DOSEN :

Dr. Drs. Brodjol Sutijo Supri Ulama, M.Si.

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 ..

2.1.2 ARSITEKTUR ...

2.1.3 ALGORITMA .

PEMBAHASAN ..

Tugas Neural Network kelompok II

LEARNING VECTOR QUANTIZATION

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

Tugas Neural Network kelompok II

Keterangan :
1, 2 ,,

= Vektor input

1, 2 ,,

= Vektor Output

Wij

= Bobot input ke-I pada kelompok ke-j

i, j

= 1, 2, 3,

2.1.3 Algoritma
Notasi :
X

: Training Vektor

: Kategori dari training vector

Wj

: Vektor bobot untuk kategori ke-j

Cj

: Kategori j (hasil training)

X Wj : Jarak Euclidian
Step 0

Inisialisasi

Step 1

Jika kondisi stop salah lakukan step 2 6


Step 2

Untuk setiap training vector lakukan step 3 4

Step 3

Dapatkan j sehingga X Wj min

Step 4

Update Wj
Jika T = Cj
=

Jika T Cj
Step 5 Update learning rate
Step 6

uji kondisi stop

Tugas Neural Network kelompok II

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.

Tabel 2.1. Pengelompokkan kabupaten berdasarkan IPM


di Provinsi Jawa Timur 2004
Kab/Kota
AHH
AMH
ALS
PPP
(X1)
(X2)
(X3)
(X4)
Bangkalan
61.6
73.6
4.8
609.4
Banyuwangi
64.9
84.3
6.3
616.5
Jombang
68.4
87.6
7.2
616.8
Kediri
68.4
88.6
6.5
613.7
Blitar
69.0
85.8
6.3
636.1
Gresik
69.2
91.8
7.8
620.1
Kt Madiun
70.5
94.9
9.2
632.9
Kt Batu
69.2
96.1
9.6
631.0
Bojonegoro
66.3
81.0
5.9
592.3
Bondowoso
60.7
73.7
5.0
608.1
Jember
61.1
79.1
5.4
609.8
Lamongan
67.2
84.0
6.6
614.4
Lumajang
65.7
79.8
5.7
612.5
Madiun
67.5
82.3
6.4
615.8
Nganjuk
67.5
85.8
6.6
613.9
Ngawi
67.5
80.1
5.9
601.8
Pacitan
70.0
83.1
6.0
615.5
Pamekasan
61.7
79.3
5.4
609.3
Pasuruan
62.2
84.4
6.2
615.2
Ponorogo
67.5
78.7
6
620.7
Probolinggo
59.6
74.4
4.9
616.0
Ssampang
59.2
61.3
3.4
606.7
Situbondo
61.7
72.4
5.1
615.5
Sumenep
62.9
73.3
4.7
615.7
Tuban
66.1
78.7
5.5
609.5
Kt Kediri
69.1
96.5
9.0
620.3

Tugas Neural Network kelompok II

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

Informasi yang diperoleh dari table di atas adalah :

Jumlah data = 37

Jumlah variable input (n)= 4

Jumlah kelas atau cluster (m)

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 :

Tugas Neural Network kelompok II

T = ind2vec(Tc);
JumlahKlas
= size(full(T),1);
JumlahNeuron
= 4; net =
newlvq(minmax(p),JumlahNeuron,(1/JumlahKlas)*ones(1,JumlahKlas));

Jaringan ini akan dilatih dengan dengan menggunakan algoritma pembelajaran


LVQ dengan maksimum epoch = 500 dan toleransi error 0.01. instruksi :
net.trainparam.epochs = 500;
net.trainparam.goal = 0.01;
net = train(net,p,T);

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

Progam pengolahan dengan menggunakan Matlab selengkapnya :


p = [61.6
64.9
68.4
68.4
69.0
69.2

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;

Tugas Neural Network kelompok II

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]

Hasil dari Program Pengolahan :


p =
61.6000
73.6000
4.8000
609.4000

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

Tugas Neural Network kelompok II

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

Tugas Neural Network kelompok II

Plot dari Program Pengolahan LVQ

Tabel 2.3. Pengelompokkan yang terjadi :


No.

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

Tugas Neural Network kelompok II

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

*
*
*
*
*

Dibanding dengan pengelompokan awal terjadi 8 Kab/Kota yang mengalami


perubahan kelompok/kelas, yaitu: Kt Madiun, Kt Batu, Kt Kediri, Magetan,
Trenggalek, Kt Batu, Kt Kediri, Kt Probolinggo. Sementara kabupaten/kota
yang lainnya masih tetap dikelompok awalnya.

Tugas Neural Network kelompok II