11 - jaringan-saraf-tiruan-lvq

Jaringan Saraf Tiruan LVQ

Ringkasan

Jaringan Saraf Tiruan (JST/ANN) adalah sistem pemroses informasi yang meniru cara kerja otak manusia, umum dipakai untuk klasifikasi: belajar dari data masa lalu lalu memberi keputusan atas data yang belum pernah dilihat. LVQ (Learning Vector Quantization) adalah salah satu jenis JST untuk klasifikasi pola — tiap unit output mewakili satu kategori, dan keputusan diambil dari prototype (vektor bobot) yang jaraknya terdekat ke vektor masukan. Selama pembelajaran terawasi, prototype pemenang (dan runner-up bila jaraknya hampir sama) digeser mendekat bila benar atau dijauhkan bila salah.

Transclude of excalidraw/arsitektur-lvq-prototype.excalidraw

---

Konsep Kunci

1. Tiga lapis JST

1. Lapis masukan (input layer): neuron penerima data input variabel X; bisa terhubung ke hidden layer atau langsung ke output bila tanpa hidden layer.
2. Lapis tersembunyi (hidden layer): neuron penerima data dari lapis masukan.
3. Lapis keluaran (output layer): neuron penerima data dari hidden (atau langsung dari input); nilai output melambangkan hasil kalkulasi X menjadi Y.

2. Jenis-jenis JST (dalam BKPM)

1. Perceptron, 2. Backpropagation (propagasi balik), 3. Learning Vector Quantization (LVQ), 4. dan lain-lain.

3. LVQ: prototype, winner, runner-up

• Tiap unit output mewakili satu kategori/kelompok.
• Pemrosesan tiap neuron: cari jarak terdekat antara vektor masukan dan vektor bobot (prototype) yang bersangkutan.
• Kelebihan: selain jarak terdekat, unit output diposisikan ulang lewat update bobot terawasi untuk mempertajam keputusan klasifikasi.
• Ide pengembangan algoritma: bila input berjarak hampir sama ke vektor pemenang (winner) dan runner-up, maka keduanya harus belajar (keduanya di-update).
• Catatan sumber: BKPM merujuk langkah algoritma pelatihan LVQ menurut Fausett (1994) dan menampilkan gambar step-by-step serta arsitektur, tetapi teks hasil ekstraksi tidak memuat isi langkah-langkahnya (halaman gambar), jadi detail iterasi per epoch tidak dikutip di sini.

4. Arsitektur + alur training vs testing

• Arsitektur: vektor input $x=(x_1,x_2,x_3,x_4)$ → dihitung jarak Euclidean ke tiap prototype $W_j$ → unit dengan $||x-W_j||$ minimum menang → kelas = kelas prototype pemenang.
• Training (terawasi, contoh BKPM: epoch 1, $\alpha =0,1$, 2 kelas C1/C2): untuk tiap data latih, cari winner; bila kelas winner = kelas data, dekatkan prototype ($W+=\alpha (x-W)$); bila salah, jauhkan ($W-=\alpha (x-W)$).
• Testing: hitung jarak ke semua prototype final, pilih yang terdekat — tanpa update bobot.

---

Contoh (dengan perhitungan)

Data latih (10 baris Iris, dari BKPM)

No	X1	X2	X3	X4	Kelas
1	5,1	3,5	1,4	0,2	Iris-setosa (C1)
2	4,9	3,0	1,4	0,2	Iris-setosa (C1)
3	4,7	3,2	1,3	0,2	Iris-setosa (C1)
4	4,6	3,1	1,5	0,2	Iris-setosa (C1)
5	5,0	3,6	1,4	0,2	Iris-setosa (C1)
6	7,0	3,2	4,7	1,4	Iris-versicolor (C2)
7	6,4	3,2	4,5	1,5	Iris-versicolor (C2)
8	6,9	3,1	4,9	1,5	Iris-versicolor (C2)
9	5,5	2,3	4,0	1,3	Iris-versicolor (C2)
10	6,5	2,8	4,6	1,5	Iris-versicolor (C2)

Data uji

No	X1	X2	X3	X4	Kelas
A	5,6	2,5	3,9	1,1	??
B	5,1	3,8	1,6	0,2	??

Cara mengerjakan (tugas training + testing)

1. Inisialisasi 2 prototype (misal $W_1$ dari data setosa, $W_2$ dari data versicolor), $\alpha =0,1$, epoch = 1.
2. Tiap data latih: hitung $d_j=||x-W_j||=\sqrt{{\sum }_i(x_i-W_{ji}{)}^2}$ untuk $j=1,2$; winner = jarak minimum.
3. Update winner: benar → $W_{baru}=W_{lama}+0,1(x-W_{lama})$; salah → $W_{baru}=W_{lama}-0,1(x-W_{lama})$.
4. Setelah epoch selesai, uji A dan B: hitung jarak ke $W_1,W_2$ final. Secara intuitif (ciri petal kecil vs besar): B (petal 1,6/0,2) dekat ke setosa → C1; A (petal 3,9/1,1) dekat ke versicolor → C2. Kepastian menunggu hitungan dengan bobot hasil training.

---

Keterkaitan

• Mandiri: tidak bergantung pada halaman smoothing; keduanya dari satu sumber tetapi topik terpisah (klasifikasi vs prediksi deret waktu).
• Lanjutan: Support Vector Machine (metode klasifikasi lain, terawasi).