Algoritma Learning Vector

Quantization (LVQ)
STUDI KASUS PREDIKSI PENYAKIT JANTUNG
NIM Nama
10114052 Ganjar Kurnia
10114073 Dena Purnama
10114080 Putry O Worabay
10114085 Yoga Resta H
 Definisi Algoritma LVQ

Algoritma LVQ adalah algoritma pembelajaran yang

melakukan klasifikasi pola ke dalam beberapa kelas atau
kategori berdasarkan mekanisme kompetisi.
Struktur jaringan LVQ adalah jaringan neural dua lapis
yang terdiri dari lapisan masukan dan lapisan keluaran.
Lapisan masukan mengandung neuron sebanyak dimensi
masukan, lapisan keluaran mengandung sebanyak jumlah
kelas.
 Kelebihan Algoritma LVQ

1. Nilai error yang lebih kecil dibandingkan dengan jaringan syaraf tiruan
seperti backpropagation.
2. Dapat meringkas data set yang besar menjadi sektor codebook berukuran
kecil untuk klasifikasi.
3. Dimensi dalam codebook tidak dibatasi seperti dalam teknik neares
neighbour.
4. Model yang dihasilkan dapat diperbaharui secara bertahap.
 Kekurangan Algoritma LVQ

1. Dibutuhkan perhitungan jarak untuk seluruh atribut.

2. Akurasi model dengan dengan bergantung pada inisialisasi model serta
parameter yang digunakan (learning rate, iterasi, dan sebagainya).
3. Akuras juga dipengaruhi ditribusi kelas pada data training.
4. Sulit untuk menentukan jumlah codebook vektor untuk masalah yang
diberikan.
 Arsitektur Algoritma LVQ

Keterangan :
 x1 sampai dengan xm = nilai input
 || x –w1 || sampai dengan || x – wn || = jarak bobot
 H1 sampai dengan Hn = lapisan output
 D1 sampai dengan Dn = nilai output
 m : jumlah elemen input
 n = jumlah kelas
Pelatihan LVQ dikatakan berhasil jika pelatihan konvergen, dan gagal jika
pelatihan divergen. Suatu pelatihan dikatakan konvergen jika kesalahan pada
setiap iterasi pelatihan selalu mengecil, sampai pada titik dimana nilai bobot
pada setiap neuron telah mencapai nilai yang paling baik untuk data pelatihan
yang diberikan. Sebaliknya, pelatihan dikatakan divergen jika kesalahan
pada pelatihan tidak cenderung mengecil menuju sebuah titik tertentu.
 Tahapan Algoritma LVQ
Adapun tahapan pada algoritma LVQ sebagai berikut :
1. Tetapkan: bobot(W), maksimum epoch (MaxEpoch), error minimum yang diharapkan (Eps), Learning rate (α).
2. Masukan :
1) Input : x(m,n);
2) Target : T (1,n)
3. Tetapkan kondisi awal :
1) Epoch = 0;
2) Eps = 1;
4. Tetapkan jika : epoch<MaxEpoch atau (e<eps)
1) Epoch = Epoch + 1
2) Kerjkana untuk i=1 sampai n
a. Tentukan J sedemikian hingga || x –wj || minimum (sebeut sebagai Ci)
b. Perbaiki Wj dengan ketentuan :
- Jika T = Cj maka:wj(baru) = wj(lama) + α (x-wj(lama))
- Jika T ≠ Cj maka:wj(baru) = wj(lama) - α (x-wj(lama))
3) Kurangi nilai α
 Studi Kasus LVQ
(Prediksi Penyakit Jantung)
 Klasifikasi Gejala

 Agar dapat dikenali oleh jaringan, data pada variabel dari keterangan gejala harus diubah ke
dalam bentuk numerik :
 - Diberi Nilai 0 Jika Keadaan “FALSE”
 - Diberi Nilai 1 Jika Keadaan “TRUE”
 Studi Kasus LVQ
(Prediksi Penyakit Jantung)

 Parameter Awal Yang dibutuhkan :

- MaxEpoh = 5;
- Learning rate(α) = 0,1;
- Eps = 0,09;
- Epoh = 0.
Bobot Awal :
Studi Kasus LVQ (Prediksi Penyakit
Jantung) Data Training
 Bobot Baru pada Epoch 1

Error Pada Epoch Ke 1 = 2,183

 Bobo Baru pada epoch ke 2

Error Pada Epoch Ke 2 = 2,115

Selisih error = 2.183 − 2.115 = 0.068

Karena 0.068 < 0.09 maka iterasi berhenti
pada epoch ke 2
Demo Program Prediksi Penyakit Jantung
Menggunakan Algoritma LVQ