presentasi saat sidang skripsi "APLIKASI JARINGAN SYARAF TIRUAN DENGAN METODA KOHONEN TERHADAP PENGELOMPOKAN BUNGA IRIS"

1. APLIKASI SISTEM JARINGAN
SYARAF TIRUAN DENGAN
METODA KOHONEN UNTUK
MENGELOMPOKKAN DATA
BUNGA IRIS
Siti Chairunnisa
073112600350004

2. LATAR BELAKANG
Pengelompokkan atau clustering merupakan
topik yang menarik
Ada beberapa cara yang dikembangkan untuk
mengelompokkan objek
Salah satu cara adalah menggunakan sistem
Jaringan Syaraf Tiruan (JST)
Pada pembahasan ini metoda JST yang
dipergunakan adalah JST metoda Kohonen

3. TUJUAN
Mengembangkan sistem Jaringan Syaraf Tiruan (JST)
metoda Kohonen untuk mengelompokkan data jenis
bunga iris

4. Petal
Sepal
(Kelopak)
(Mahkota)

5. BATASAN MASALAH
Jenis data yang dipergunakan adalah data
sekunder
Jumlah data sama dengan jumlah data yang
dipergunakan pada penelitian sebelumnya
(Meila Kristiani, 2010)

6. CLUSTERING
Tahapan Clustering
Representasi
Ekstraksi Pola-pola
Pola-pola Cluster
dan Kesamaaan Peng-cluster-an
Pemilihan antar pola
Ciri / Sifat

7. JARINGAN SYARAF TIRUAN
(JST)
Sistem JST adalah sistem jaringan (pemroses
informasi) yang cara kerjanya menirukan cara
kerja sistem jaringan syaraf biologi manusia
Sistem JST telah dikembangkan untuk berbagai
aplikasi, antara lain: aplikasi pengenalan pola,
pemrosesan sinyal, peramalan, pengelompokkan
(clustering) dan sebagainya
Salah satu metode JST yang bisa
depergunakan untuk aplikasi pengklasifikasian
adalah JST metode Kohonen

8. ARSITEKTUR JST
METODA KOHONEN
w11
x1 y1
w21
w31
w12
w22
x2 y2
w32
w13
w23
x3 y3
w33

9. PERANCANGAN SIMULASI

10. DATA SEKUNDER
Sepal Sepal Petal Petal
No Length Width Length Width Class
1
(cm)
7
(cm)
3,2
(cm)
4,7
(cm)
1,4 Iris-versicolor VERSICOLOR
2
... ...
6,4
...
3,2
...
4,5
...
1,5 Iris-versicolor
... 50 data
49 5,1 2,5 3 1,1 Iris-versicolor
50 5,7 2,8 4,1 1,3 Iris-versicolor
Sepal Sepal Petal Petal
No Length Width Length Width Class
VIRGINICA (cm) (cm) (cm) (cm)
51 6,3 3,3 6 2,5 Iris-virginica
50 data 52
... ...
5,8
...
2,7
...
5,1
...
1,9 Iris-virginica
...
99 6,2 3,4 5,4 2,3 Iris-virginica
100 5,9 3 5,1 1,8 Iris-virginica
Sepal Sepal Petal Petal
No Length Width Length Width Class
101
(cm)
5,1
(cm)
3,5
(cm)
1,4
(cm)
0,2 Iris-setosa
SETOSA
102 4,9 3 1,4 0,2 Iris-setosa 50 data
... ... ... ... ... ...
149 5,3 3,7 1,5 0,2 Iris-setosa
150 5 3,3 1,4 0,2 Iris-setosa

11. • Strategi pembagian data simulasi
Data training (latih): 35 data (70 %)
Data uji: 15 data (30%)
Mentransformasikan data dengan range [0.1 , 0.9]
dengan rumus transformasi linier:
�� − �
��′ = 0.8 ∗ +�
�−�
Dimana: a = nilai minimum data untuk masing-masing jenis parameter
b = nilai maksimum data untuk masing-masing jenis parameter

12. Range lebar dan panjang dari mahkota (sepal) dan
kelopak (petal) ketiga jenis iris yang akan
dipergunakan untuk klasifikasi adalah:
Versicolor
Sepal length Sepal Width Petal Length Petal Width
Minimum (a) 4.9 2.0 3.0 1.0
Maksimum (b) 6.9 3.4 6.0 2.5
Virginica
Sepal length Sepal Width Petal Length Petal Width
Minimum (a) 4.9 2.3 4.5 1.4
Maksimum (b) 7.9 3.8 6.9 2.5
Sentosa
Sepal length Sepal Width Petal Length Petal Width
Minimum (a) 4.3 2.3 1.0 0.1
Maksimum (b) 5.5 4.4 1.9 0.6

13. Sehingga dapat dilakukan perubahan data dari data
sebenarnya ke data transformasi dengan rumus
sebagai berikut:
�1 (𝑆𝑒𝑝�� 𝐿𝑒𝑛𝑔�ℎ) = 0.8 ∗ + 4.3
′ � � −4.3
7.9−4.3
�2 (𝑆𝑒𝑝�� 𝑊�𝑑�ℎ) = 0.8 ∗ + 2.0
′ � � −2.0
4.4−2.0
�3 (𝑃𝑒��� 𝐿𝑒𝑛𝑔�ℎ) = 0.8 ∗ + 1.0
′ � � −1.0
6.9−1.0
�4 (𝑃𝑒��� 𝑊�𝑑�ℎ) = 0.8 ∗ + 0.1
′ � � −0.1
2.5−0.1

14. HASIL DATA TRANSFORMASI
Sepal Sepal Petal Petal
No Length Width Length Width Class
(cm) (cm) (cm) (cm)
1
2
...
4,9000
4,7667
...
2,4000
2,4000
...
1,5017
1,4746
...
0,5333
0,5667
...
Iris-versicolor
Iris-versicolor
...
VERSICOLOR
49 4,4778 2,1667 1,2712 0,4333 Iris-versicolor
50 4,6111 2,2667 1,4203 0,5000 Iris-versicolor
Sepal Sepal Petal Petal
No Length Width Length Width Class
(cm) (cm) (cm) (cm)
VIRGINICA 51
52
4,7444
4,6333
2,4333
2,2333
1,6780
1,5559
0,9000 Iris-virginica
0,7000 Iris-virginica
... ... ... ... ... ...
99 4,7222 2,4667 1,5966 0,8333 Iris-virginica
100 4,6556 2,3333 1,5559 0,6667 Iris-virginica
Sepal Sepal Petal Petal
No Length Width Length Width Class
(cm) (cm) (cm) (cm)
101
102
...
4,4778
4,4333
...
2,5000
2,3333
...
1,0542
1,0542
...
0,1333
0,1333
...
Iris-setosa
Iris-setosa
...
SETOSA
149 4,5222 2,5667 1,0678 0,1333 Iris-setosa
150 4,4556 2,4333 1,0542 0,1333 Iris-setosa

15. Mulai
Inisialisasi bobot w (random)
learning rate (α = 0,5)
Data pelatihan
Hitung jarak D
DIAGRAM Mencari D minimun
ALIR Modifikasi nilai bobot
PELATIHAN
Modifikasi learning rate (α)
Tidak
epoch = 100
Ya
Simpan bobot akhir
Selesai

16. Mulai
Ambil bobot akhir hasil pelatihan (w)
Data pengujian
(45)
Hitung jarak D
DIAGRAM Mencari D minimun
ALIR
PENGUJIAN
Simpan nilai indeks kelompok
Tidak
Data pengujian =
45
Ya
Selesai

17. ALGORITMA KOHONEN

18. LANGKAH 1: INISIALISASI
Menentukan bobot awal neuron secara random
dengan interval (0 , 1)
Menentukan learning rate awal: α(t) = 0.5
dan modifikasinya: α(t+1) = 0.5*α(t)

19. LANGKAH 2:
MENCARI NEURON PEMENANG
Memasukkan vektor input(��′ )
Mencari neuron pemenang dengan
menghitung jarak minimum Euclidean:
�(� ) = ඨ ඨ (��� − ��′ )2
�

20. LANGKAH 3:
UPDATE BOBOT
Modifikasi nilai bobot dari neuron pemenang
��� (��𝑟�) = ��� (��𝑚�) + �[��′ – ��� (��𝑚�)]
tersebut:
untuk i, j = 1,2,3,...,n
w= [0.6294 0.8116 0.7460 0.8268
0.2647 0.8049 0.4430 0.0938
0.9150 0.9298 0.6848 0.9412]

21. HASIL SIMULASI

22. Data Bunga Iris Versicolor
Data Bunga Iris Virginica
Data Bunga Iris Setosa
No.
No. Keterangan
Keterangan
x1
x1 x2
x2 x3
x3 x4
x4
1
31
16 4,6778
4,4556
5,0556 2,4667
2,4000
2,3333 1,4746
1,0271
1,6915 0,6000
0,1333
0,8333 Tidak dapat dikenali
Tidak dapat dikenali
Dapat dikenali
2
32
17 4,8333
4,5667
4,7444 2,3667
2,5000
2,4667 1,5017
1,0407
1,6237 0,5667
0,1333
0,8667 Dapat dikenali
Dapat dikenali
3
33
18 4,7444
4,4333
4,7667 2,1000
2,3667 1,4610
1,0678
1,6102 0,5000
0,1000
0,6667 Dapat dikenali
Dapat dikenali
4
34
19 4,5889
4,3222
4,6778 2,3333
2,3333 1,4203
1,0407
1,5153 0,5000
0,1333
0,6667 Dapat dikenali
Tidak dapat dikenali
Dapat dikenali
5
35
20 4,5667
4,4778
4,8778 2,1667
2,4667
2,3667 1,4068
1,0678
1,5966 0,5000
0,1333
0,7667 Dapat dikenali
Dapat dikenali
6
36
21 4,5667
4,4556
4,8333 2,2000
2,5000
2,3667 1,4610
1,0407
1,6237 0,4667
0,1667
0,8667 Dapat dikenali
Dapat dikenali
7
37
22 4,7000
4,3444
4,8778 2,3333
2,1000
2,3667 1,4881
1,0407
1,5559 0,5333
0,1667
0,8333 Dapat dikenali
Tidak dapat dikenali
Dapat dikenali
8
38
23 4,6333
4,3222
4,6333 2,2000
2,4000
2,2333 1,4068
1,0407
1,5559 0,4667
0,1333
0,7000 Dapat dikenali
Tidak dapat dikenali
Dapat dikenali
9
39
24 4,4556
4,4556
4,8556 2,1000
2,5000
2,4000 1,3119
1,0814
1,6644 0,4000
0,2667
0,8333 Tidak dapat dikenali
Dapat dikenali
10
40
25 4,5889
4,4778
4,8333 2,2333
2,6000
2,4333 1,4339
1,1220
1,6373 0,5000
0,2000
0,9000 Dapat dikenali
Dapat dikenali
11
41
26 4,6111
4,4111
4,8333 2,3333
2,3333 1,4339
1,0542
1,5695 0,4667
0,1667
0,8333 Dapat dikenali
Dapat dikenali
12
42
27 4,6111
4,4778
4,7444 2,3000
2,6000
2,1667 1,4339
1,0814
1,5424 0,5000
0,1333
0,7000 Dapat dikenali
Dapat dikenali
13
43
28 4,7222
4,3667
4,7889 2,3000
2,4000
2,3333 1,4475
1,0542
1,5695 0,5000
0,1333
0,7333 Dapat dikenali
Dapat dikenali
14
44
29 4,4778
4,5222
4,7222 2,1667
2,5667
2,4667 1,2712
1,0678
1,5966 0,4333
0,1333
0,8333 Tidak dapat dikenali
Dapat dikenali
15
45
30 4,6111
4,4556
4,6556 2,2667
2,4333
2,3333 1,4203
1,0542
1,5559 0,5000
0,1333
0,6667 Dapat dikenali
Dapat dikenali

23. KESIMPULAN
1. Hasil
akurasi JST metoda kohonen
 Jenis bunga iris virginica didapat 96.78%
 Jenis bunga iris versicolor dan setosa
didapat 92.33%
2. Kesalahan ini dapat terjadi karena:
 Data yang hampir sama (secara numerik)
 Jumlah parameter lebih dari 4

24. SARAN