Jaringan Syaraf Tiruan Kohonen

Berdasarkan tipe pembelajarannya, jaringan syaraf tiruan (JST) dapat dibagi menjadi dua macam tipe JST, JST terbimbing dan JST  tak terbimbing. Perbedaan kedua macam JST tersebut didasarkan pada sifat data dan kemampuan pembelajaran JST. Pada JST terbimbing data pelatihannya terdapat data masukan dan data pembimbing, proses pembelajaran adalah penyesuaian bobot JST agar dengan keluaran proses data masukan akan menyerupai data bimbingan. Sedangkan yang dimaksud JST tak terbimbing adalah JST yang mempunyai kemampuan penyesuaian bobot JST hanya didasarkan data masukannya (tanpa data pembimbing).

Jaringan syaraf Kohonen merupakan salah satu model jaringan syaraf tak terbimbing yang menyerupai model jaringan syaraf manusia. Sifat antropometric tersebut ditunjukkan dengan dipunyainya kemampuan penerimaan masukan dan reaksinya yang lazim dipunyai manusia (Valenturf, 1995)

Untuk menghasilkan proses pengenalan pola, terdapat lima langkah iterasi proses pelatihan jaringan syaraf Kohonen SOM yang  dapat dipakai yaitu:

1.  Inisialisasi dan normalisasi vektor bobot jaringan syaraf.

2.  Normalisasi data.

3.  Pengumpanan data dalam jaringan dan penentuan vektor  pemenang.

4. Pengubahan vektor bobot jaringan syaraf berdasar  karakteristik rentang jaringan tetangga dan besaran laju belajar.

5. Pengulangan proses 1-4 dilakukan sampai jumlah epoch minimal yang diperbolehkan atau pengumpanan  masukan tidak mengubah nilai vektor bobot.

       Dengan proses pembelajaran tersebut maka vektor masukan akan dapat terpetakan pada lapisan keluaran jaringan syaraf  Kohonen. Peta vektor masukan dalam lapisan keluaran akan merupakan pola vektor berdasar atribut yang dipunyainya. Peta tersebut akan tervisualisasikan sebagai kluster-kluster.

2.1 Topologi Jaringan Kohonen - SOM

Dalam jaringan SOM, neuron target tidak diletakkan dalam sebuah baris seperti layaknya model jaringan syaraf tiruan yang lain. Neuron target deletakkan dalam 2 dimensi yang bentuk/topologinya dapat diatur. Dalam Matlab disediakan fasilitas untuk mendefinisi topologi jaringan yang berbeda-beda. Topologi yang berbeda akan menghasilkan neuron sekitar neuron pemenang yang berbeda sehingga bobot yang dihaslkan juga akan berbeda. Ada 3 macam topologi yang dapat dibentuk yaitu:

1.Gridtop
  Dalam gridtop, neuron disusun dalam array 2 dimensi dengan bentuk persegi.

2. Hextop
  Dalam hextop neuron disusun dalam array 2 dimensi dengan bentuk heksagonal.

3. Randtop
  Dalam randtop neuron disusun dalam array 2 dimensi dengan susunan acak.


Analisis Data dengan Jaringan Syaraf Tiruan Kohonen        
Dengan mempergunakan jaringan syaraf tiruan Kohonen, hasil pembelajaran yang didapatkan adalah pemetaan vektor masukan menjadi lokasi neuron pada jaringan output syaraf tiruan.

Setiap vektor masukan pasti akan terpetakan (berpasangan) ke sebuah sel output, tetapi setiap sel jaringan output dapat merupakan pemetaan dari beberapa nilai vektor masukan. Sebagai contoh, bila proses pembelajaran mempergunakan model jaringan output dua dimensi, maka hasil pemetaan vektor masukan dalam jaringan neuron output akan merupakan suatu peta pemetaan vektor masukan 

Peta dua dimensi jaringan output diatas, sebenarnya merupakan pemolaan vektor masukan. Lebih lanjut, peta yang sebenarnya merupakan hasil proses kompetisi kluster, sebenarnya juga merupakan peta derajad keanggotaan dalam jaringan keluaran JST Kohonen.  Nilai derajad keanggotaan peta selanjutnya dipakai sebagai dasar pengelompokan grup dari setiap vektor masukan.  Nilai relasi spatial peta dapat juga dipakai sebagai gambaran nilai relasi vektor masukan. Dalam konteks ini maka dapat dikatakan bahwa sel yang karakteristiknya berdekatan satu dengan yang lain,  vektor masukannya juga dapat dikatakan yang berdekatan.

Dengan berdasar konsep di atas, analisis data dapat dilakukan terhadap hasil pembelajaran data pada jaringan syaraf Kohonen. Setelah pembelajaran dianggap selesai, dapat dipastikan kelompok/kluster akan terbentuk. Selanjutnya pemisahan kluster dapat dilakukan dengan melihat karakteristik derajad pemetaan yang didasarkan pada:

a.    Nilai pusat kelompok

     Dari sekumpulan nilai derajad peta jaringan output maka nilai tertinggi dapat dikatakan sebagai pusat sel (nilai vektornya merupakan pusat vektor kelompok).

b.    Nilai batas kelompok

     Pada nilai derajad yang rendah atau 0 (nol) dapat digunakan sebagai pemisah antar kelompok. Hal ini dapat didasarkan pada konsep (a) sehingga perubahan nilai derajad merupakan lembah antar kelompok.

Dengan mempergunakan jaringan syaraf tiruan Kohonen sebagai penganalisis data, kita akan mendapatkan beberapa keuntungan yakni:

a.    Penghilangan problema perkiraan jumlah kelompok 

     Dengan penggunaan algoritma jaringan syaraf tiruan Kohonen, prediksi jumlah  kelompok yang biasa dilakukan pada metoda klasifikasi tradisional dapat dihilangkan. Hal ini bisa terjadi karena dalam algoritma jaringan syaraf tiruan Kohonen, tidak dilakukan penentuan jumlah kluster melainkan penentuan  ukuran dan dimensi jaringan output. Permasalahan tersebut berbeda dengan penentuan kelompok karena nilai ukuran maupun dimensi output jaringan syaraf merupakan konsep yang berbeda dengan konsep jumlah kelompok dalam metoda konevensional. Penghilangan pemaksaan pengelompokan vektor.

b.    Pengurangan pemaksaan anggota kelompok

     Sejalan dengan point a, kemungkinan pemaksaan anggota kelompok juga bisa dikurangi. Hal tersebut dapat terjadi, bila nilai vektor masukan bersifat terdistribusi maka pemetaan pada jaringan keluaran juga akan terdistribusi (tidak ada pembatas kluster yang jelas), sehingga pengelompokan vektor masukan yang berbeda tidak akan terjadi. Walaupun demikian, dalam kasus tersebut analisis data tetap dapat dilakukan dengan mempergunakan nilai derajad pemetaan pada jaringan keluar.

Akan tetapi di samping keuntungan diatas, penggunaan jaringan syaraf tiruan Kohonen juga mempunyai problema. Problema  yang ada  biasanya  dikaitkan pengaturan parameter jaringan syaraf berakibat pada keakurasian hasil pengelompokan data (Kohonen, 1978). Hasil penelitian terdahulu (Budiyanto, 1997, Rao 1995) dapat dipakai sebagai acuan dalam menentukan awal parameter ukuran rentang tetangga, maupun ukuran jaringan keluaran.