Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
JST Kohonen
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
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
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
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
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