DEEP LEARNING
PERTEMUAN 10 - Self-Organizing
Map (SOM)
Mahasiswa mampu menjelaskan konsep Self Organizing Map .
Konsep Dasar Self-Organizing Map (SOM)
• Self Organizing Map (SOM) suatu metode Jaringan Saraf Tiruan yang
sehingga sering disebut dengan Jaringan Kohonen.
• Neuron-neuron pada jaringan ini menyusun dirinya sendiri berdasarkan nilai
input tertentu dalam suatu kelompok, biasa disebut cluster. Selama proses
penyusunan diri, cluster dengan vektor bobot paling cocok dengan pola
bobot (jarak paling dekat) akan terpilih sebagai pemenang.
• Neuron pemenang beserta neuron-neuron tetangga akan memperbaiki
bobotnya masing-masing (Kusumadewi, 2003).
Konsep Dasar Self-Organizing Map (SOM)
• Self-Origanizing Map (SOM) adalah salah satu tool yang sangant baik dalam
penanganan data yang sangat.
• Sering disebut topology-preserving map pertama kali diperkenalkan oleh
Teuvo Kohonen pada tahun 1996.
• SOM merupakan salah satu teknik dalam Neural Network yang bertujuan
untuk melakukan visualisasi data dengan cara mengurangi dimensi data
melalui penggunaan self-organizing neural networks sehingga manusia dapat
mengerti high-dimensional data yang dipetakan dalam bentuk low-
dimensional data.
Konsep Dasar Self Organizing Map
• Dinamakan "Self Organizing" karena tidak memerlukan
pengawasan yangmerupakan salah satu bentuk
topologi dari Unsupervised Artificial Neural Network
(Unsupervised ANN) yang mengasumsikan sebuah
topologi yang terstruktur menjadian unit-unit
kelas/cluster, dimana dalam proses pelatihannya tidak
memerlukan pengawasan (target output) dan disebut
"Map" karena Self Organizing Map (SOM) berusaha
memetakan bobotnya agar sesuai dengan input data
yang diberikan. .
Self Organizing Map memiliki topologi hubungan ketetanggan(neighborhood)
(Fausset, 1993), yaitu :
• Topologi Grid: Pada topologi ini, unit-unit SOM ditempatkan
dalam bentuk grid atau kotak beraturan. Setiap unit
terhubung dengan tetangganya dalam pola grid, seperti kisi
jaring-jaring. Setiap unit memiliki beberapa tetangga
terdekat, yang biasanya ditentukan oleh radius tetangga.
• Topologi Hexagonal: Pada topologi ini, unit-unit SOM
ditempatkan dalam bentuk heksagonal. Setiap unit
terhubung dengan unit-unit tetangganya dalam pola
heksagonal.
Komponen penting dalam SOM
Menurut Haykin (1999) terdapat tiga komponen penting dalam SOM yaitu:
Competition: Untuk setiap pola input, neuron menghitung nilai masing-masing
fungsi diskriminan yang memberi dasar untuk kompetisi. Neuron tertentu
dengan nilai terkecil dari fungsi diskriminan dinyatakan sebagai pemenang.
Cooperation: Neuron pemenang menentukan lokasi spasial dari lingkungan
topologi excited neuron untuk memberi dasar kerjasama dalam suatu
lingkungan neuron.
Synaptic Adaption: Excited neuron menurunkan nilai fungsi diskriminan yang
berkaitan dengan pola input melalui penyesuaian bobot terkait sehingga respon
dari neuron pemenang keaplikasi berikutnya dengan pola input yang sama akan
meningkat.
KEKURANGAN & KELEBIHAN SOM
SOM digunakan untuk mengelompokkan (clustering) data berdasarkan
karakteristik / fitur-fitur data
Keuntungan
• Pemetaan data mudah dijalankan
• Mampu mengatur set data yang besar dan kompleks
Kekurangan
• Sulit untuk menentukan bobot input apa yang akan digunakan
• Pemetaan dapat menghasilkan cluster yang terbagi
• Mengharuskan titik terdekat berperilaku sama
Arsitektur SOM
Arsitektur SOM merupakan jaringan yang terdiri dari dua
lapisan (layer), yaitu lapisan input dan lapisan output. Setiap
neuron dalam lapisan input terhubung dengan setiap neuron
pada lapisan output. Setiap neuron dalam lapisan output
merepresentasikan kelas (cluster) dari input yang diberikan.
Arsitektur dari SOM dapat dilihat pada Gambar di samping
Algoritma
SOM
Algoritma SOM adalah salah satu algoritma berbasis jaringan saraf yang dapat digunakan
untuk pengambilan keputusan. :
1. Inisialisasi neuron input : 𝑥1, 𝑥2, … , 𝑥1.
2. Inisialisasi neuron output (lapisan output) sebanyak 𝑗 𝑥 1 ∶ 𝑦11, 𝑦12, … , 𝑦𝑗1
3. Mengisi bobot antar neuron input dan output 𝜇𝑖𝑗𝑙 dengan bilangan random 0 sampai 1.
4. Mengulangi langkah 5 sampai dengan langkah 8 hingga tidak ada perubahan pada bobot
map atau iterasi telah mencapai iterasi maksimal.
5. Pemilihan salah satu input dari vektor input yang ada.
6. Penghitungan jarak antar vektor input terhadap bobot (𝑑𝑗𝑙) dengan masing–masing
neuron output dengan rumus pada persamaan 1.
7. 𝑑𝑗𝑙 = ∑ (𝜇𝑖𝑗𝑙 − 𝑥𝑖)2𝑛 𝑖=1 (2)
8. Dari seluruh bobot (𝑑𝑗𝑙) dicari yang paling kecil. Index dari bobot (𝑑𝑗𝑙) yang paling mirip
disebut winning neuron.
9. Untuk setiap bobot 𝜇𝑖𝑗1 diperbaharui bobot koneksinya dengan menggunakan rumus
yang dapat dilihat pada persamaan (3).
[Link] bobot yang telah konvergen.
WEBSOM: Organization of a Massive Document Collection
Phonetic Typewriter
Classifying Tingkat kemiskinan di dunia
Selesai