Anda di halaman 1dari 5

Bab VIII LVQ (Learning Vector Quantization) 8.

1 Definisi LVQ LVQ merupakan suatu metode untuk melakukan pembelajaran pada lapisan kompetitif dan merupakan gabungan dari terbimbing (supervised). Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Jika dua vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas ang sama. Jadi LVQ adala! metode untuk klasifikasi (pengelompokan) pola dan memiliki output ang me"akili dari kelas tertentu. #obot vektor untuk sebua! la er output sering berfungsi sebagai vektor referensi untuk kelas dimana la er ditampilkan. Sepanjang pelati!an la er output ditempatkan (dengan mengatur bobot sepanjang paleti!an terbimbing) untuk memperkirakan permukaan keputusan dari teori klasifikasi #a es. $al ini diasumsikan sebagai satu set dari pola pelati!an dengan klasifikasi ang disediakan. Sepanjang sebua! distribusi inisial atau vektor referensi (masing-masingn a melambangkan klasifikasi ang diketa!ui). LVQ menggunakan pendekatan S%&, dimana terdapat training vector ang secara rekursif mengoptimasi penempatan !idden la er ang akan saling berkompetisi. Setela! dilakukan pembelajaran, sebua! vector masukan dikelompokkan ke dalam kelas, dimana kelas tersebut adala! representasi dari !idden la er ang terdekat, ter!adap vektor input. 'embelajaran pada LVQ dilakukan dengan memasukkan vektor input dan men esuaikan lokasi !idden la er berdasarkan kedekatann a ter!adap vektor input tersebut. $idden la er terdekat dipinda!kan (secara proporsional ter!adap tingkat pembelajaran) mendekati training vektor jika kelas !idden la er dan training vektorn a cocok, dan menjau!i training vektor jika sebalikn a. 8.2 Arsitektur LVQ 'ada dasarn a arsitektur LVQ sama dengan self-organi(ing map ko!onen (tanpa struktur topologi ang diasumsikan dengan unit output). Sebagai tamba!an setiap la er output mempun ai kelas ang diketa!ui.

Gambar 8.1 )rsitektur LVQ

)rsitektur LVQ terdiri dari sebua! competitive la er, dan sebua! linear la er. *ompetitive la er mengklasifikasikan vektor input ke dalam sejumla! cluster berdasarkan jarak ang terdapat diantara masing + masing vektor masukan. 'ada ta!ap kedua,linear la er memetakan kelas ang didapatkan ole! kompetitive la er ke dalam kelas ang tela! didefinisikan sebelumn a ole! pengguna. A!goritma LVQ )lgoritma LVQ bertujuan ak!ir mencari nilai bobot ang sesuai untuk mengelompokkan vektor + vektor kedalam kelas tujuan ang tela! di inisialisasi pada saat pembentukan jaringan LVQ. Sedangkan algoritma pengujiann a adala! meng!itung nilai output (kelas vektor) ang terdekat dengan vektor input, atau dapat disamakan dengan proses pengklasifikasian (pengelompokan). ,eterangan ang kita gunakan adala! sebagai berikutp - vektor pelati!an (input) (p.,/...,p0,//.,pn) 1 - kategori ang tepat atau kelas untuk vektor pelati!an "s - bobot vektor untuk unit output ke-s ("..,//.,"0.,........,"n.) *s - kategori atau kelas ang ditampilkan ole! unit output ke-s 22p - "j22 - jarak 3uclidean antara vektor input dan bobot vektor untuk la er output ke-s #erikut ini adala! algoritma pembelajaran LVQlangka! 4 inisialisasi vektor referensi 5 inisialisasi drating pembelajaran 6 (4) langka! . ketika kondisi ber!enti adala! false, lakukan langka! 7 sampai 8 langka! 7 untuk setiap input pelati!an vektor 9 lakukan langka! : + ; langka! : temukan j !ingga 22p + "p22 minimum langka! ; perba!arui "s sebagai berikut jika 1 < *s, maka =s(baru) < =s(lama) > 6?9 + "s(lama)@5 jika 1 A *s, maka =s(baru) < =s(lama) - 6?9 + "s(lama)@5 langka! B langka! 8 kurang rating pelati!an tes kondisi ber!entiaitu kondisi ang mungkin menetapkan sebua! juumla! tetap dari iterasi atau rating pembelajaran mencapai nilai kecil ang cukup. .1

8." A#!ikasi LVQ &etode ang paling seder!ana dari inisialisasi bobot vektor adala! mengambil vektor pelati!an pertama dan menggunakann a sebagai bobot vektor. Vektor ang tersisa digunakan untuk pelati!an. &etode lain ang mungkin untuk menginisialisasi bobot adala! menggunakan pengelompokan ,-&eans atau self organi(ing map ko!onen untuk menempatkan bobot. Setiap bobot vektor kemudian dikalibrasi dengan menetukan pola input ang terdekat kepadan a, mencari kelas ang mempun ai jumla! terbeasr dari pola input ang termasuk kedalamn a dan menetapkan kelas itu pada bobot vektor. *onto! seder!anaLima vektor ditetapkan pada dua kelas. Cni adala! conto! ang sangat seder!ana, dua vektor referensi akan digunakan. vektor input diba"a! ini melambangkan dua kelas, . dan 7 vektor (., ., 4,4) (4, 4, 4, .) (4, 4, ., .) (., 4, 4, 4) (4, ., ., 4) kelas . 7 7 . 7

Dua vektor pertama akan digunakan untuk menginisialisasi dua vektor referensi. La er output pertama melambangkan kelas ., kelas ang kedua adala! 7(disimbolkan. * . < . dan *7 < 7). Cni meninggalkan vektor (4, 4, ., .), (., 4, 4, 4), dan (4, ., ., 4) sebagai vektor pelati!an. $an a satu iterasi (satu epo!) ditunjukkan. Langka! .. inisialisasi bobot".< (., ., 4,4)5 "7< (4, 4, 4, .)5 inisialisasi rating pembelajaran 6<. Langka! 7. mulai per!itungan Langka! :. untuk vektor input 9<(4, 4, ., .) dengan 1<7, lakukan langka! :-; langka! :. J<7, sejak 9 adala! lebi! dekat dengan "7 daripada ". langka! ;. sejak 1<7 dan *7<7, perba!arui "7 sebagai berikut "7<(4, 4, 4, .) >..?(4, 4, ., .)- (4, 4, 4, .)@ <(4, 4, .., .) . Langka! ;. untuk vektor input 9<(., 4, 4, 4) dengan 1<., lakukan langka! :-; langka! :. J<., sejak 9 adala! lebi! dekat dengan "7 daripada ". langka! ;. sejak 1<. dan *7<., perba!arui ". sebagai berikut ".<(., ., 4, 4) >..?(., 4, 4, 4)- (., ., 4, 4)@ <(., .E, 4, 4) . Langka! B. untuk vektor input 9<(4, ., ., 4) dengan 1<7, lakukan langka! :-; langka! :. J<., sejak 9 adala! lebi! dekat dengan "7 daripada ". langka! ;. sejak 1<7 dan *.<., perba!arui ". sebagai berikut ".<(., .E, 4, 4) >..?(4, ., ., 4)- (., .E, 4, 4)@ <(..., .FE, -.., 4) . Langka! 8. Cni men elesaikan . epo! pelati!an kurangi rating pelati!an Langka! G. tes kondisi ber!enti.

$oa! % $oa! Lati&an .. Diketa!ui lima bua! vektor ang diklasifikasikan menjadi dua kelasData ke!as ..44 . 444. 7 44.. 7 .444 . 4... 7 $itungla! bobot pembelajaran dengan menggunakan metode LVQ. 2. Disajikan empat bua! data dengan simbol kelas menggunakan > H I J dan empat kelas berbeda sebagai berikutinisia! ' ,elas . (>) . . ,elas 7 (H) 4 4 ,elas : (I) . 4 ,elas ; (J) 4 .

[1]. [2]. [3].

DA()A* +,$)A-A Kausett, Laurene..EE;. Fundamentals Of Neural Networks. 'rentice-$all. $agan, &artin 1. D,,. .EE8. Neural Network Design. LS)- '=S 'ublis!ing *ompan . Maknic!, )nt!on . 7447. Neural Network For Intelligent Signal Processing . )ustralia- =orld Scientific. DA()A* +,$)A-A .ari Internet !ttp-NN""".en."ikipedia.orgN"ikiNLVQ !ttp-NN""".mat!"orks.frNaccessN!elpdesk.!tml !ttp-NN""".cis.!ut.fiNj!ollmenN'ublicationsNlvOprob.pdf !ttp-NN""".cs.ui.ac.idNidN"p-contentNuploadsN744FN4FN;7P74'erbandingan P74kinerjaP74jaringanP74s araf-0a!matP74=.4G.pdf

?;@. ?B@. ?8@. ?G@.