Analisis Statistik Menggunakan Self Organizing Maps

Analisis statistik adalah bidang ilmu yang dimanfaatkan dalam proses pengumpulan data, pengaturan, pengesplorasian dan penyajian data untuk menentukan suatu pola. Analisis data biasanya digunakan di perusahaan-perusahaan sebagai dasar untuk mengambil keputusan. Alasan suatu perusahaan menggunakan analisis data adalah untuk mengetahui trend yang ada di masyarakat dan memprediksi trend yang akan terjadi di masa depan. Selain digunakan di perusahaan, analisis statistik juga mulai digunakan di media sosial seperti Instagram. Ilmu statistika mudah sekali mengalami perkembangan, hal ini dikarenakan setiap metode bisa dikembangkan untuk menyelesaikan suatu masalah khusus.

Salah satu metode analisis statistik adalah Self Organizing Maps. Metode ini digunakan sebagai penggambaran dan alat menganalisis suatu data yang berdimensi tinggi, pengklasteran, dan pengklasifikasian. Metode ini merupakan bentuk spasial dari analisis kelompok K-Means. Dalam pemikirannya, masing masing unit memiliki kesesuaian dengan suatu klaster sehingga jumlah klaster ditentukan oleh pengukuran grid yang biasanya diatur ke dalam bentuk persegi atau heksagonal. Biasanya grid yang terdapat dalam pengukuran ini digunakan saat pemetaan. Ketika suatu objek dua dimensi memiliki kemiripan maksimal, maka tempat grid dalam pemetaan sangatlah berdekatan.

Metode Self Organizing Map ditemukan dan dikembangkan pertama kali oleh T. Kohonen pada tahun 1982. Metode ini menggunakan jaringan saraf tiruan yang digunakan untuk pengklasifikasian data. Metode pembelajaran yang digunakan pada metode ini adalah metode unsupervised untuk mengklasifikasikan data yang memiliki dimensi tinggi ke data yang memiliki dimensi yang lebih rendah.

Jaringan pada Self Organizing Map memiliki 2 lapisan, yaitu lapisan input dan lapisan output. Neuron yang terdapat dalam jaringan saling berhubungan. Neuron input saling berhubungan dengan neuron output, begitu juga sebaliknya. Neuron dalam lapisan output memiliki bobot untuk masing-masing neuron input.

Terdapat tiga komponen penting dalam metode ini, yaitu: Pertama, Competition yaitu di dalamnya terdapat neuron yang memikiki fungsi menghitung nilai diskriminan yang akan mendasari kompetisi. Kedua, Cooperation yang di dalamnya terdapat neuron pemenang yang menentukan lokasi spasial untuk mendasari Kerjasama suatu lingkungan neuron. Ketiga, Synaptic Adaption yang di dalamnya terdapat Excited neuron yang menurunkan fungsi diskriminan yang berkaitan dengan pola input.

Contoh penggunaan metode Self Organizing Maps:

Misalkan himpunan dari nilai-nilai field untuk record ke-n menjadi sebuah vector input Xn = Xn1, Xn2, Xn3, L, Xnm, dan himpunan dari m bobot untuk simpul output tertentu j menjadi vector bobot Wj = W1 j, W2 j, K, Wmj. Berikut ini adalah Langkah algoritma nya:

Untuk setiap vector x, lakukan:

1. Kompetisi. Untuk setiap simpul output j, hitung nilai D (Wj, Xn) dari fungsi jarak. Tentukan simpul peenang J yang meminimumkan D (Wj, Xn) dari semua simpul output.
2. Kooperasi. Identifikasikan semua simpul iutput dalam lingkungan simpul pemenang J didefinisikan oleh lingkungan berukuran R. Untuk simpul-simpul ini, lakukan: Adaptasi. Perbaharui nilai bobot: Wij, New = Wij, Current+ƞ(Xni – Wij, current).
3. Perbaharui learning rate dan ukuran lingkungan seperlunya.
4. Hentikan perlakuan Ketika kriteria pemberhentian dicapai.