3
2.2.4
Paper “IFKCN: Applying Fuzzy
Kohonen Clustering Network
to
Interval Data”
Rekaman data interval sudah menjadi praktik umum dalam aplikasi dunia
nyata saat ini. Jenis data tersebut biasa digunakan untuk menggambarkan suatu
objek. Dalam penelitiannya, Carlos, Renata, dan Ana memperkenalkan Fuzzy
Kohonen Clustering Network
baru untuk data
interval simbolik (IFKCN) yang
menggabungkan ide dari nilai keanggotaan fuzzy
untuk laju pembelajaran
(learning rates) dan algoritma yang mampu menunjukkan keunggulan dalam
mengolah ambiguitas dan ketidakpastian yang muncul pada suatu set data.
Percobaan dilakukan dengan menggunakan dua set data interval nyata
sebagai patokan dan dua set data interval buatan. Keakuratan hasil dinilai dengan
Corrected Rand
(CR) index dan diterapkan bersama dengan kerangka validasi
silang tanpa pengawasan (unsupervised cross
validation framework) untuk set
data yang menjadi patokan, serta percobaan Monte Carlo untuk data interval
buatan. Selanjutnya, hasil dari versi IFKCN dibandingkan dengan hasil dari
metode cluster
fuzzy
C-means untuk data interval (IFCM). Setelah melalui
evaluasi empiris, hasil menunjukkan IFKCN ternyata membutuhkan kapasitas
memori yang lebih besar namun keakuratan hasilnya mengungguli hasil dari
penggunaan IFCM dalam hal ukuran kualitas penggunaan clustering dan terbukti
menyelesaikan permasalahan akan hasil yang bergantung pada urutan input data
seperti pada kasus sequential learning case.
2.2.5
Paper “Association Learning in SOMs for Fuzzy-Classification”
Dalam penelitian ini, T. Villman dan kawan-kawan memperkenalkan
suatu kerangka kerja untuk pembelajaran asosiatif dalam self-organizing map
(SOM) yang kemudian dimanfaatkan dalam supervised fuzzy
classification.
SOM merupakan salah satu metode clustering
dan visualisasi yang paling
populer. SOM menggunakan metode prototype based
dari representasi data.
 |