Learning Vector Quantization (LVQ)

Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama.

Algoritma

1.   Tetapkan: W, MaxIter, Eps, a.

2.   Masukkan:

    input x(m,n);

    m = jumlah input,

    n = jumlah data

    target(1,n).

3.   Tetapkan kondisi awal:

    epoh=0;

    err=1.

4.   Kerjakan jika: (epoch<MaxIter) atau (a > eps)

a.   epoh = epoh+1;

b.   Kerjakan untuk i=1 sampai n

i.     Tentukan J sedemikian hingga ║x-wj║ minimum

ii.   Perbaiki wj dengan ketentuan:

    Jika T = Cj maka:

wj(baru)=wj(lama)+ a (x-wj(lama))

    Jika T ¹ Cj maka:

wj(baru)=wj(lama)- a (x-wj(lama))

c.    Kurangi nilai a.

Contoh 8.8:

Misalkan diketahui 10 input vektor dalam 2 kelas sebagai berikut:

1.	(1,	0,	0,	0,	1,	0)	1
2.	(0,	1,	1,	1,	1,	0)	2
3.	(0,	0,	1,	0,	0,	1)	1
4.	(0,	0,	1,	0,	1,	0)	1
5.	(0,	1,	0,	0,	0,	1)	1
6.	(1,	0,	1,	0,	1,	1)	1
7.	(0,	0,	1,	1,	0,	0)	2
8.	(0,	1,	0,	1,	0,	0)	2
9.	(1,	0,	0,	1,	0,	1)	2
10.	(0,	1,	1,	1,	1,	1)	2

Dua input pertama akan dijadikan sebagai inisialisasi bobot:

Vektor (w)        Kelas 1. (1, 0, 0, 0, 1, 0)                      1

2. (0, 1, 1, 1, 1, 0)      2

Sedangkan 4 input sisanya:

Vektor (x)        Kelas

1.	(0,	0,	1,	0,	0,	1)	1
2.	(0,	0,	1,	0,	1,	0)	1
3.	(0,	1,	0,	0,	0,	1)	1
4.	(1,	0,	1,	0,	1,	1)	1
5.	(0,	0,	1,	1,	0,	0)	2
6.	(0,	1,	0,	1,	0,	0)	2
7.	(1,	0,	0,	1,	0,	1)	2
8.	(0,	1,	1,	1,	1,	1)	2

akan digunakan sebagai data yang akan dilatih. Arsitektur jaringan syaraf pada contoh 8.8 ini seperti terlihat pada Gambar 8.29.