Analisis kinerja algoritme self-organizing MAP satu dimensi dan dua dimensi pada data kebakaran hutan dan data wine

Abstract

Self-organizing map (SOM) merupakan suatu jaringan saraf tiruan yang mampu melakukan pemetaan topologi dari unit-unit pada lapisan masukan input ke lapisan masukan kompetitif. Berdasarkan penelitian Ralina (2008) yaitu clustering menggunakan data citra, SOM memberikan hasil dengan nilai cluster precision (CP) mencapai 85%. Penelitian ini menggunakan SOM dengan data lain yaitu data kebakaran hutan dan data wine. Topologi SOM menggunakan SOM 1 dimensi dan 2 dimensi. Kinerja SOM 1 dimensi diukur berdasarkan nilai cluster precision (CP) dan nilai cluster recall (CR), sedangkan kinerja algoritme SOM 2 dimensi diukur berdasarkan berhasil atau tidak memisahkan kelompok-kelompok yang ada pada data kebakaran hutan dan data wine. Hasil kinerja dari SOM 1 dimensi pada data kebakaran hutan diperoleh nilai CP 54% dan nilai CR 53%, sedangkan pada data wine diperoleh nilai CP 70% dan nilai CR 69%. Kinerja SOM 1 dimensi pada data wine lebih baik dibandingkan data kebakaran hutan. Hasil dari Implementasi SOM 2 dimensi pada data kebakaran hutan, SOM tidak berhasil memisahkan kelompok-kelompok yang ada. Berbeda dengan hasil kebakaran hutan, SOM 2 dimensi pada data wine cukup baik memisahkan kelompok yang ada.