CLUSTERING DATA MENGGUNAKAN SELF OFGANIZING MAPS DAN ALGORITMA K-MEANS

Anike, et al (2012) mengatakan bahwa Jaringan Syaraf Tiruan (JST) merupakan bagian dari sistem kecerdasan buatan
yang digunakan untuk memproses informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan masalah dengan melakukan proses belajaran melalui perubahan bobot sinapsisnya. Karakteristik jaringan syaraf ditentukan oleh beberapa hal yaitu:

1. Pola hubungan antar neuron yang disebut dengan arsitektur jaringan.
2. Metode penentuan bobot-bobot sambungan yang disebut dengan pelatihan atau proses belajar jaringan.
3. Fungsi aktivasi. Pakaja, et al (2012) menjelaskan bahwa suatu Jaringan Syaraf Tiruan memproses sejumlah besar informasi secara paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis. Hecht-Nielsend, mendefinisikan jaringan syaraf buatan adalah : suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur sinyal searah yang disebut koneksi.

Hidayat (2012) menjelaskan bahwa JST adalah pemodelan data statistik non linear. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data. Jaringan Syaraf Tiruan pada umumnya digunakan untuk tugas atau pekerjaan yang kurang praktis jika dikerjakan secara manual.

Buku ini berisikan tentang langkah-langkah pengelompokan (clustering) data obat-obatan dengan menggunakan Self Organozing Map (SOM) dan K-Means. SOM merupakan salah satu bentuk topologi dari Unsupervised Artificial Neural Network (Unsupervised ANN) dimana dalam proses pelatihannya tidak memerlukan pengawasan (target output). SOM digunakan untuk clustering data berdasarkan karakteristik/fitur-fitur data. K-Means adalah salah satu dari metode pengelompokan data nonhierarki (sekatan) yang dapat mempartisi data kedalam bentuk dua kelompok ataupun lebih. Metoda K-Means akan mempartisi data kedalam suatu kelompok dimana data yang berkarakteristik sama akan dimasukkan kedalam satu kelompok sama sedangkan data yang memiliki karakteristik yang berbeda akan dikelompokan kedalam kelompok lainnya.

Penulis berharap dengan membaca buku ini, pembaca menjadi paham bagaimana langkah-langkah clustering dengan
menggunakan SOM dan K-Means. Semoga buku ini dapat memberikan manfaat yang sebesar-besarnya kepada para pembaca sesuai dengan harapan penulis.