Keistimewaan SOM Self-Organizing Maps dan Cara Pengaplikasiannya

Pernahkah Anda mendengar tentang SOM? SOM adalah akronim dari Self-organizing Maps, yaitu salah satu bentuk ANN (Artificial Neural Network) yang punya beragam keistimewaan karena fungsinya yang unik. Lantas, apa itu SOM Self-organizing Maps? Apa pula bentuk keistimewaannya tersebut? Simak kelanjutannya berikut ini.

Apa Itu SOM Self-Organizing Maps?

SOM Self-organizing Maps adalah salah satu bentuk Artificial Neural Network atau ANN yang dilatih dengan menggunakan metode unsupervised learning. Metode pelatihan tersebut digunakan untuk memproduksi atau menghasilkan sebuah low-dimensional ‘map’. ‘Map’ di sini merujuk pada representasi dari dimensi rendah tersebut. Biasanya, dimensinya berbentuk dua dimensi.

SOM Self-organizing Maps yang dilatih dengan metode unsupervised learning dapat melakukan pengurangan dimensi dari map pada sampel yang dilatih secara otomatis. Itulah mengapa jaringan ini disebut sebagai self-organizing. SOM tidak belajar secara backpropagation dengan SGD karena menggunakan pembelajaran kompetitif untuk menyesuaikan bobot di neuronnya.

Jaringan SOM pertama kali ditemukan pada sekitar tahun 1980-an oleh Teuvo Kohonen, seorang profesor berkebangsaan Finlandia sekaligus peneliti ahli dalam bidang ilmu komputer. Oleh sebab itu, terkadang Self-organizing Maps juga disebut dengan Kohonen Maps, yakni diambil dari nama sang profesor itu sendiri.

Sang profesor sengaja menciptakan SOM dengan model yang berbeda dari jenis ANN lainnya. Jika jenis-jenis ANN pada umumnya menerapkan metode pembelajaran koreksi kesalahan, SOM dibuat dengan mengaplikasikan metode pembelajaran yang kompetitif. Jaringan ini juga menggunakan fungsi neighbourhood untuk melestarikan sifat topologi ruang input-nya.

Keistimewaan SOM Self-Organizing Maps

Keistimewaan SOM memang terletak pada sifat unik kompetitifnya yang berbeda dari ANN pada umumnya. Selain itu, SOM juga mampu menghasilkan data yang mudah untuk ditafsirkan atau dipahami. Hal ini dapat terjadi karena SOM menerapkan pengurangan dimensi dan pengelompokan grid.

Keistimewaan lain dari SOM juga terletak pada kemampuannya untuk mengelola berbagai jenis masalah klasifikasi pada waktu yang sama. Jadi, SOM pun akhirnya bisa menghasilkan ringkasan data yang cerdas. Dengan demikian, SOM tersebut kemudian diandalkan untuk mengelompokkan data dalam dimensi yang rendah.

Cara Kerja SOM Self-Organizing Maps

Lantas, seperti apa cara kerja SOM? Secara sederhana, setiap poin-poin data dalam data set mengidentifikasi diri mereka sendiri untuk saling berkompetisi agar dapat menghasilkan representasi yang sesuai. SOM terdiri dari lapisan input dan output yang penting untuk map feature.

Langkah pemetaan (mapping) SOM dimulai dari proses inisialisasi vektor-vektor bobot. Selanjutnya, vektor-vektor tersebut akan dipilih secara acak sebagai sampel. Vektor yang telah melalui tahap pemetaan ini kemudian mencari bobot yang paling mewakili vektor inputnya.

Ada lagi yang dinamakan dengan bobot tetangga (neighboring weights) dengan karakteristik yang mirip dengan vektor berbobot. Bobot yang dipilih (Best Matching Unit) kemudian menjadi vektor sampel acak yang dapat mengembangkan map sehingga map mampu membentuk persegi atau heksagonal. Proses ini kemudian kembali lagi dari awal dan dilakukan secara berulang kali. Biasanya, bisa mencapai 1000 kali.

Pengaplikasian SOM dalam Kehidupan Nyata

Pengaplikasian SOM Self-organizing maps bisa Anda temukan pada proses verifikasi terhadap teks saat diubah menjadi sebuah ekspresi matematika untuk dianalisis dan diproses lebih lanjut. Analisis dan visualisasi data adalah fokus utama dalam SOM yang tidak bisa ditinggalkan.

Pengaplikasiannya bisa dilihat pada Python dengan menggunakan MinisSom library dan Numpy. Contoh pengaplikasian SOM salah satunya adalah dengan iris data. Visualisasi datanya menggunakan pseudocolor. Neuron direpresentasikan dalam maps sebagai sekumpulan sel, sedangkan warna-warnanya adalah representasi dari jarak antara bobot dengan neuron neighboring.

SOM memiliki sistem yang mampu menjaga data struktural dari data pelatihan. SOM juga menghasilkan data yang non-linear secara inheren. Ketika memasukkan data berdimensi tinggi dan menerapkan metode lain, seperti principal component analysis misalnya, maka data itu akan jauh lebih berisiko untuk hilang saat dimensinya direduksi di SOM.

Cara kerja principal component analysis memang mampu mengklasifikasikan sampel sesuai identifikasi fitur individu, yang kemudian mampu membentuk klaster relasional yang terorganisir. Namun, perlu diingat bahwa klaster ini terkadang tidak memiliki analog fisik. Oleh sebab itu, diperlukan metode kalibrasi SOM untuk membantu mendefinisikan pemetaan klaster dengan sifat fisik yang diukur.

Kesimpulan

SOM Self-organizing Maps adalah salah satu ANN (artificial neural network) unik yang dikembangkan oleh Tuevo Kohonen, seorang profesor ilmu komputer asal Finlandia. Dilatih dengan metode unsupervised learning, SOM mampu mereduksi dimensi data secara kompleks. Anda tak perlu khawatir akan kehilangan data karena data tersebut akan dikelompokkan dengan dimensi yang rendah.

Selain SOM, ada lagi jenis-jenis jaringan artificial yang unik. Apakah Anda tertarik untuk mempelajari tentang jaringan SOM dan artificial neural network lainnya ini secara lebih lanjut? Anda bisa mengikuti kelas data science dari Algoritma Data Science Education Center. Algoritma menyediakan beragam kelas mengenai data science yang bisa Anda pilih sesuai kebutuhan atau level expertise Anda.

Referensi:

• Medium - Self Organizing Maps (Diakses pada 26 Juli 2022)
• Analytics India Mag - Beginners Guide to Self-Organizing Maps (Diakses pada 26 Juli 2022)
• Towards Data Science - Self Organizing Maps (Kohonen’s maps) (Diakses pada 26 Juli 2022)
• Algoritma - Self Organizing Maps (SOM) (Diakses pada 26 Juli 2022)