fbpx

self organizing maps

self organizing maps

Mengenal Self-Organizing Maps (SOM)

29 Maret 2022

Self-organizing maps (SOM) adalah salah satu jenis artificial neural network atau ANN. Jaringan ini dilatih dengan metode unsupervised learning atau tanpa arahan dari data input-target. Jika dibandingkan dengan ANN lainnya, SOM cukup berbeda. Seperti apa keunikan dari self-organizing maps? Mari simak penjelasannya berikut ini!

Apa itu self-organizing maps (SOM)?

Self-organizing maps (SOM) merupakan suatu jenis artificial neural network yang dilatih dengan metode unsupervised learning. Jaringan ini mampu menghasilkan sebuah representasi terpisah atas ruang input sampel pelatihan dengan dimensi rendah (biasanya dua dimensi). Representasi tersebut kemudian disebut sebagai “map”. SOM juga merupakan metode untuk melakukan pengurangan dimensi pada sampel yang dilatih.

Gagasan mengenai SOM pertama kali dicetuskan oleh Teuvo Kohonen, seorang peneliti di bidang Ilmu Komputer. Kohonen menciptakan SOM berbeda dari ANN jenis lainnya. Sebab, SOM menerapkan metode pembelajaran kompetitif alih-alih pembelajaran koreksi kesalahan. Jaringan ini juga menerapkan fungsi neighbourhood untuk melestarikan sifat topologi dari ruang input.

Keistimewaan self-organizing maps (SOM)

Dengan metode pembelajaran yang berbeda dari jenis artificial neural network lainnya, self-organizing maps (SOM) pun memiliki beberapa keistimewaan. SOM mampu menghasilkan data yang mudah untuk ditafsirkan dan dipahami. Sebab, SOM menerapkan pengurangan dimensi dan pengelompokan grid.

Bukan hanya itu, SOM juga mampu mengelola beberapa jenis masalah klasifikasi dan pada waktu yang bersamaan, bisa menghasilkan ringkasan data yang cerdas. Maka dari itu, SOM sering diandalkan untuk mengelompokkan data dalam dimensi yang lebih rendah.

Cara kerja SOM

Lalu, sebenarnya bagaimana cara kerja SOM itu sendiri? Jaringan SOM terdiri dari dua lapisan penting: input dan output (map feature). Tahap awal SOM dimulai dengan inisialisasi bobot ke vektor. Selanjutnya, beberapa vektor dipilih sebagai sampel secara acak. Vektor yang telah dipetakan kemudian dicari, tujuannya untuk mengetahui mana bobot yang paling mewakili vektor input.

Tiap vektor berbobot punya bobot tetangga yang ada di lingkungan sekitarnya. Bobot yang dipilih (Best Matching Unit) kemudian dihargai dengan menjadi vektor sampel acak. Langkah ini akan membantu map untuk tumbuh. Bentuk paling umum yang dibentuk map adalah persegi atau heksagonal. Setelah itu, proses diulang kembali dari awal dan dilakukan berkali-kali (bisa lebih dari 1.000 kali).

Pengaplikasian SOM

Self-organizing maps (SOM) mampu mempertahankan informasi struktural dari data pelatihan. Selain itu, SOM juga menghasilkan data yang tidak linier secara inheren. Jika Anda memiliki data berdimensi tinggi dan menerapkan metode lain—misalnya, principal component analysis—risiko data menghilang saat dimensi direduksi akan jauh lebih besar.

Dalam principal component analysis, terdapat analisis fasies seismik yang mampu mengelompokkan sampel berdasarkan identifikasi fitur individu. Analisis ini menemukan organisasi fitur dalam suatu set data dan membentuk klaster relasional yang terorganisir.

Sayangnya, analisis ini menciptakan klaster yang terkadang tidak memiliki analog fisik. Demi mengatasi problem tersebut, diperlukan suatu metode kalibrasi untuk menghubungkan tiap klaster dengan kenyataan. Di sinilah SOM dapat membantu. Metode kalibrasi SOM mendefinisikan pemetaan antara klaster dengan sifat fisik yang diukur.

Bisa dibilang, SOM adalah metode yang membantu proses verifikasi terhadap teks saat diubah menjadi suatu ekspresi matematika untuk analisis dan pemrosesan lebih lanjut. Dalam SOM, analisis dan visualisasi data adalah tahapan penting yang tidak boleh terlewat. Penerapan SOM paling umum menggunakan Python dengan MiniSom dan Numpy.

Kesimpulan

Self-organizing maps (SOM) merupakan suatu artificial neural network yang unik karena berbeda dengan jenis lainnya. SOM memproyeksikan data ke dalam grid berdimensi rendah untuk proses pengelompokan yang menerapkan metode unsupervised learning. Dengan SOM, Anda dapat melakukan pengurangan dimensi tanpa khawatir kehilangan data. Keunikan arsitektur SOM memberikan kemudahan implementasi teknik pengelompokan.

Selain self-organizing maps (SOM), masih ada jenis artificial neural network lain yang dilatih dengan metode unsupervised learning. Bagi yang ingin mendalami unsupervised learning maupun materi lain tentang data science, Algoritma Data Science School menyediakan berbagai kelas untuk individu maupun perusahaan. Untuk informasi lebih lanjut, silakan klik di sini!

Referensi:

Yuk belajar data science di Algoritma Data Science Education Center! Kamu bisa ikut berbagai kelas data science untuk pemula, salah satunya di program Academy kami.

PELAJARI LEBIH LANJUT

Related Blog

Real Time Processing
Perbedaan Batch Processing dan Real Time Processing
Metode Pengolahan Data
Tipe, Langkah, dan Metode Pengolahan Data
Batch Processing
Mengenal Batch Processing dan Implementasinya

Self-organizing maps (SOM) adalah salah satu jenis artificial neural network atau ANN. Jaringan ini dilatih dengan metode unsupervised learning atau tanpa arahan dari data input-target. Jika dibandingkan dengan ANN lainnya, SOM cukup berbeda. Seperti apa keunikan dari self-organizing maps? Mari simak penjelasannya berikut ini!

Apa itu self-organizing maps (SOM)?

Self-organizing maps (SOM) merupakan suatu jenis artificial neural network yang dilatih dengan metode unsupervised learning. Jaringan ini mampu menghasilkan sebuah representasi terpisah atas ruang input sampel pelatihan dengan dimensi rendah (biasanya dua dimensi). Representasi tersebut kemudian disebut sebagai “map”. SOM juga merupakan metode untuk melakukan pengurangan dimensi pada sampel yang dilatih.

Gagasan mengenai SOM pertama kali dicetuskan oleh Teuvo Kohonen, seorang peneliti di bidang Ilmu Komputer. Kohonen menciptakan SOM berbeda dari ANN jenis lainnya. Sebab, SOM menerapkan metode pembelajaran kompetitif alih-alih pembelajaran koreksi kesalahan. Jaringan ini juga menerapkan fungsi neighbourhood untuk melestarikan sifat topologi dari ruang input.

Keistimewaan self-organizing maps (SOM)

Dengan metode pembelajaran yang berbeda dari jenis artificial neural network lainnya, self-organizing maps (SOM) pun memiliki beberapa keistimewaan. SOM mampu menghasilkan data yang mudah untuk ditafsirkan dan dipahami. Sebab, SOM menerapkan pengurangan dimensi dan pengelompokan grid.

Bukan hanya itu, SOM juga mampu mengelola beberapa jenis masalah klasifikasi dan pada waktu yang bersamaan, bisa menghasilkan ringkasan data yang cerdas. Maka dari itu, SOM sering diandalkan untuk mengelompokkan data dalam dimensi yang lebih rendah.

Cara kerja SOM

Lalu, sebenarnya bagaimana cara kerja SOM itu sendiri? Jaringan SOM terdiri dari dua lapisan penting: input dan output (map feature). Tahap awal SOM dimulai dengan inisialisasi bobot ke vektor. Selanjutnya, beberapa vektor dipilih sebagai sampel secara acak. Vektor yang telah dipetakan kemudian dicari, tujuannya untuk mengetahui mana bobot yang paling mewakili vektor input.

Tiap vektor berbobot punya bobot tetangga yang ada di lingkungan sekitarnya. Bobot yang dipilih (Best Matching Unit) kemudian dihargai dengan menjadi vektor sampel acak. Langkah ini akan membantu map untuk tumbuh. Bentuk paling umum yang dibentuk map adalah persegi atau heksagonal. Setelah itu, proses diulang kembali dari awal dan dilakukan berkali-kali (bisa lebih dari 1.000 kali).

Pengaplikasian SOM

Self-organizing maps (SOM) mampu mempertahankan informasi struktural dari data pelatihan. Selain itu, SOM juga menghasilkan data yang tidak linier secara inheren. Jika Anda memiliki data berdimensi tinggi dan menerapkan metode lain—misalnya, principal component analysis—risiko data menghilang saat dimensi direduksi akan jauh lebih besar.

Dalam principal component analysis, terdapat analisis fasies seismik yang mampu mengelompokkan sampel berdasarkan identifikasi fitur individu. Analisis ini menemukan organisasi fitur dalam suatu set data dan membentuk klaster relasional yang terorganisir.

Sayangnya, analisis ini menciptakan klaster yang terkadang tidak memiliki analog fisik. Demi mengatasi problem tersebut, diperlukan suatu metode kalibrasi untuk menghubungkan tiap klaster dengan kenyataan. Di sinilah SOM dapat membantu. Metode kalibrasi SOM mendefinisikan pemetaan antara klaster dengan sifat fisik yang diukur.

Bisa dibilang, SOM adalah metode yang membantu proses verifikasi terhadap teks saat diubah menjadi suatu ekspresi matematika untuk analisis dan pemrosesan lebih lanjut. Dalam SOM, analisis dan visualisasi data adalah tahapan penting yang tidak boleh terlewat. Penerapan SOM paling umum menggunakan Python dengan MiniSom dan Numpy.

Kesimpulan

Self-organizing maps (SOM) merupakan suatu artificial neural network yang unik karena berbeda dengan jenis lainnya. SOM memproyeksikan data ke dalam grid berdimensi rendah untuk proses pengelompokan yang menerapkan metode unsupervised learning. Dengan SOM, Anda dapat melakukan pengurangan dimensi tanpa khawatir kehilangan data. Keunikan arsitektur SOM memberikan kemudahan implementasi teknik pengelompokan.

Selain self-organizing maps (SOM), masih ada jenis artificial neural network lain yang dilatih dengan metode unsupervised learning. Bagi yang ingin mendalami unsupervised learning maupun materi lain tentang data science, Algoritma Data Science School menyediakan berbagai kelas untuk individu maupun perusahaan. Untuk informasi lebih lanjut, silakan klik di sini!

Referensi:

Yuk belajar data science di Algoritma Data Science Education Center! Kamu bisa ikut berbagai kelas data science untuk pemula, salah satunya di program Academy kami.

PELAJARI LEBIH LANJUT

Related Blog

Computational Thinking
Pengertian Computational Thinking dalam Data Science
Data Science Tools
Data Science Tools yang Umum Digunakan
Web Scraping Python
Alasan Mengapa Python Bagus untuk Web Scraping