Disusun Oleh:
1501022088
A. TUJUAN PRAKTIKUM
1. Mahasiswa mampu memahami algoritma LVQ
B. DASAR TEORI
Metode pembelajaran ini mengatur batas-batas antara kategori-kategori
yang berbeda untuk menjaga kesalahan klasifikasi seminimal mungkin.
Pembelajaran dilakukan pada lapis kompetitif yang terawasi. Suatu lapis
kompetitif akan secara otomatis belajar untuk mengklasifikasi vektor-
vektor input. Klas-klas yang didapatkan sebagai hasil dari lapisan
kompetitif ini hanya tergantung pada jarak antara vektor-vektor input.
Algoritma:
X : vektor pelatihan (x1,..., xi,..., xn)
T : klas atau kategori vektor pembelajaran
Wj : vektor bobot unit output; (w1j, ..., wij, , wnj)
Cj : kategori atau klas yang berikan oleh unit output j
x-wj : jarak euclidean antara vektor input dan vektor
L0. Inisialisasi vektor referensi
Inisialisasi laju pembelajaran (0)
L1. Selama syarat berhenti false kerjakan langkah 2-6
L2. Untuk setiap vektor input pembelajaran x, kerjakan langkah 3-4
L3. Cari J sehingga x-wj minimum
L4. Perbarui wj:
Bila T =Cj , maka
Bila T Cj , maka
(a) (b)
Gambar 4.1.3 Hasil eksekusi Prak10 untuk (a) pola [0 0 1 1] dan
(b) pola [1 0 0 0]
Pada hasil yang diperoleh dengan merujuk pada gambar 4.1.2 hingga
4.1.4 ditunjukan bahwa nilai pola yang diberikan dipahami oleh program
dengan memunculkan nilai yang mendekati nilai target atau diharapkan.
Program ini sudah mampu membuktikan bahwa antara parameter sumber
dapat didekati dengan baik meski masih ada pendekatan pola yang cukup
jauh.
Selain itu ketika eksekusi awal dari program ini dilakukan akan
dimunculkan jendela Neural Network Training yang disediakan oleh
MATLAB ketika kita memanggil fungsi-fungsinya pada program dan
menyiapkan proses pelatihan atau pengujiannya. Penampakan dari jendela
Neural Network Training yang dalam hal ini diberi nama fungsi nntraintool
tadi seperti pada gambar 4.1.5 di bawah ini.
F. REFERENSI