Month: March 2011

Pembelajaran Mandiri dengan SONN

Suka dengan pembelajaran otodidak, atau menyukai hal-hal yang random? Tak ada salahnya untuk menyalurkan logika belajar otodidak dalam bentuk jaringan syaraf tiruan.

Dalam ANN, Self-Organizing Neural Networks (SONN) adalah salah satu tipe pembelajaran sendiri (otodidak) atau pembelajaran tanpa bimbingan (unsupervised learning), yaitu sistem yang membentuk klasifikasi atau pengelompokan data secara mandiri (berdasarkan trainingnya sendiri), dengan bobot belajar random, dan tanpa dikasih contoh target output. Salah satu jaringan yang sering dipakai untuk algoritma SONN adalah jaringan Kohonen, yang diberi nama dari nama penemunya Teuvo Kohonen.

SONN diantaranya dapat digunakan untuk berbagai keperluan pengelompokan (clustering) data yang jumlahnya sangat banyak, yang tidak praktis bila dikerjakan secara manual.

Pengelompokan data (input) dengan Algoritma SONN dari Kohonen secara ringkas adalah sebagai berikut :

Bila c menyatakan kelompok dari input data x, dengan i adalah sifat-sifat menonjol dari kelompok tersebut :

Langkah 1 : set up nilai random sebagai bobot pembelajaran untuk tiap-tiap kelompok.

w_i^c=random,

untuk c=0,1,2,...,N_c dan i=0,1,2,...,N_f

dimana N_c adalah jumlah kelompok dan N_f adalah jumlah sifat menonjol dari masing-masing kelompok.

Set up nilai gain awal g(0)=1.

Langkah 2 : Input dinyatakan dengan x^t, untuk t = 1, 2, …., k

a. Ukur/identifikasi kelompok yang sifatnya paling identik dengan input ke-k dinyatakan dengan m :

m_0=\displaystyle min_k {||x^k-w^k||}.

b. Perbarui bobot kelompok yang berdekatan dengan kelompok m_0 berdasarkan aturan :

w_i^m(t+1) \leftarrow w_i^m(t)+g(t).\lambda (m).[x_i^k-w_i^m(t)], untuk m \in N,

gunakan \lambda(m) untuk window function yaitu sebagai ukuran perubahan bobot sebagai fungsi jarak dari pusat/inti sifat-sifat kelompok m_0.

Langkah 3 : Susutkan nilai gain yang digunakan untuk memperbarui w :

g(t+1)=\mu g(t),

di mana \mu adalah laju pembelajaran.

Langkah 4 : Kembali ke langkah 2, ulangi dari langkah 2 hingga konvergen.

Untuk lebih rinci mengenai algoritma Jaringan Kohonen ini bisa mengacu ke sumber bacaan ini.