Metode Data Mining “ Self-Organizing Map [SOM] ” Taskum Setiadi ADVANCE MACHINE LEARNING STMIK Nusa Mandiri Jakarta2016 ADVANCE MACHINE LEARNING.

Presentasi berjudul: "Metode Data Mining “ Self-Organizing Map [SOM] ” Taskum Setiadi ADVANCE MACHINE LEARNING STMIK Nusa Mandiri Jakarta2016 ADVANCE MACHINE LEARNING."— Transcript presentasi:

1 Metode Data Mining “ Self-Organizing Map [SOM] ” 14001929 Taskum Setiadi ADVANCE MACHINE LEARNING STMIK Nusa Mandiri Jakarta2016 ADVANCE MACHINE LEARNING STMIK Nusa Mandiri Jakarta2016

2 History Teuvo Kohonen For Self-Organizing Maps Teuvo Kohonen Dr. Eng., Emeritus Professor of the Academy of Finland; Academician His research areas are the theory of self-organization, associative memories, neural networks, and pattern recognition, in which he has published over 300 research papers and four monography books. His fifth book is on digital computers. His more recent work is expounded in the third, extended edition (2001) of his book Self-Organizing Maps.

3 Metode Data Mining “Self-Organizing Map (SOM)” 1. Definisi 2.TahapanAlgoritma 3.Implementasi P.9

4 (Simon Haykin, 2009) “The self-organizing map due to Kohonen (1982) is a simple, yet powerful, algorithm that is typically built around a one or two dimensional lattice of neurons for capturing the important features contained in an input (data) space of interest”. (Luttrell, 1989) “The self-organizing map may also be viewed as a vector quantizer, thereby providing an analytic approach for deriving the update rule used to adjust the weight vectors”. ( Gorricha dan Lobo, 2012 ) Penelitian yang dilakukan adalah dengan menganalisis sejauh mana metode Self-Organizing Map (SOM) efektif dalam mengimplementasikan suatu aplikasi visualisasi sebaran data dengan klasterisasi. SOM adalah sistem Jaringan Syaraf Tiruan (JST) secara bersamaan melakukan kuantisasi vektor dan proyeksi vektor. Karena karakteristik ini, SOM dapat divisualisasikan melalui ruang keluaran dengan mempertimbangkan perspektif proyeksi vektor, dan melalui ruang masukan data dengan menekankan proses kuantisasi vektor.

5 Algoritma SOM Termasuk Dalam Metode Data Mining “Clustering” Clustering Clustering adalah pengelompokan dari record, observasi-observasi atau kasus-kasus ke kelas yang memiliki kemiripan objek-objeknya. Clustering berbeda dengan klasifikasi, dalam hal tidak ada variabel target untuk clustering. Clustering tidak mengklasifikasikan, meramalkan, atau memprediksi nilai dari sebuah variabel target. Algoritme- algoritme clustering digunakan untuk menentukan segmen keseluruhan himpunan data menjadi subgroup yang relatif sama atau cluster, dengan kesamaan record dalam cluster dimaksimumkan dan kesamaan record di luar cluster diminimumkan. ( Larose, 2004 )

6

7 2. Tahapan Algoritma Langkah 0.> Inisialisasi bobot Wij. > Set parameter topological neighbourhod > Set parameter laju pembelajaran . Langkah 1: Jika syarat berhenti tidak dipenuhi (Salah), Kerjakan langkah 2 – 8. Langkah 2: Untuk setiap input vektor x, kerjakan langkah 3 – 5. Langkah 3: Untuk setiap indeks j, hitung nilai: Langkah 4: Cari unit pemenang (indeks J), yaitu unit yang memiliki D(j) minimum. Langkah 5: Hitung semua nilai w ij (baru) dengan nilai j dari langkah 4. Langkah 6: Ubah ( update ) nilai laju pembelajaran. Langkah 0.> Inisialisasi bobot Wij. > Set parameter topological neighbourhod > Set parameter laju pembelajaran . Langkah 1: Jika syarat berhenti tidak dipenuhi (Salah), Kerjakan langkah 2 – 8. Langkah 2: Untuk setiap input vektor x, kerjakan langkah 3 – 5. Langkah 3: Untuk setiap indeks j, hitung nilai: Langkah 4: Cari unit pemenang (indeks J), yaitu unit yang memiliki D(j) minimum. Langkah 5: Hitung semua nilai w ij (baru) dengan nilai j dari langkah 4. Langkah 6: Ubah ( update ) nilai laju pembelajaran. Keterangan: X: Vektor Input pembelajaran X = (x1, x2,…, xj,…..,xn)  : Learning rate R: Radius neighborhood X1: Neuron/node input Wij: Bias pada neuron output ke-j Yj: Neuron/node output ke-j C: Konstanta Anis, 2014

8 2. Tahapan Algoritma Langkah 7: Kurangi jarak tetangga (R). Langkah 8: Periksa syarat berhenti. Langkah 7: Kurangi jarak tetangga (R). Langkah 8: Periksa syarat berhenti. Keterangan: X: Vektor Input pembelajaran X = (x1, x2,…, xj,…..,xn)  : Learning rate R: Radius neighborhood X1: Neuron/node input Wij: Bias pada neuron output ke-j Yj: Neuron/node output ke-j C: Konstanta Tahap Algoritma Anis, 2014

9 3. Implementasi Dataset Dataset Iris IDA1A2A3A4Label id_15,13,51,40,2Iris-setosa id_24,931,40,2Iris-setosa id_34,73,21,30,2Iris-setosa id_44,63,11,50,2Iris-setosa id_553,61,40,2Iris-setosa ……………… ……………… id_1496,23,45,42,3Iris-virginica id_1505,935,11,8Iris-virginica

10