Both learning rate å(t) and neighbo

Both learning rate å(t) and neighborhood ó(t) decrease monotonically with time. During training, the SOM behaves like a flexible net that folds onto a cloud formed by training data. Because of the neighborhood relations, neighboring neurons are pulled to the same direction, and thus feature vectors of neighboring neurons resemble each other.
There are many variants of the SOM [7]. However, these variants are not considered in this paper because the proposed algorithm is based on SOM, but not a new variant of SOM.
The 2D map can be easily visualized and thus give people useful information about the input data. The usual way to display the cluster structure of the data is to use a distance matrix, such as U-matrix [8]. U-matrix method displays the SOM grid according to neighboring neurons. Clusters can be identified in low inter-neuron distances and borders are identified in high inter-neuron distances. Another method of visualizing cluster structure is to assign the input data to their nearest neurons. Some neurons then have no input data assigned to them. These neurons can be used as the border of clusters [9].

Hasil (Bahasa Indonesia) 1:

Keduanya belajar å(t) dan lingkungan ó(t) penurunan kadar monotonically dengan waktu. Selama pelatihan, SOM berperilaku seperti jaring yang fleksibel yang lipatan ke awan dibentuk oleh data pelatihan. Karena hubungan lingkungan, tetangga neuron ditarik ke arah yang sama, dan dengan demikian fitur vektor dari tetangga neuron mirip satu sama lain.Ada banyak varian dari SOM [7]. Namun, varian ini tidak dianggap dalam makalah ini karena algoritma yang diusulkan berdasarkan SOM, tetapi tidak varian baru dari SomPeta 2D dapat dilihat dengan mudah dan dengan demikian memberikan orang informasi yang berguna tentang input data. Cara yang biasa untuk menampilkan struktur data cluster adalah dengan menggunakan jarak matriks, seperti U-matrix [8]. U-matrix metode menampilkan grid SOM menurut neuron tetangga. Kelompok dapat diidentifikasi di jarak antar neuron yang rendah dan perbatasan diidentifikasikan dalam jarak antar neuron yang tinggi. Metode lain untuk memvisualisasikan struktur cluster adalah untuk menetapkan input data ke neuron terdekat mereka. Beberapa neuron kemudian memiliki data input tidak diberikan kepada mereka. Neuron-neuron ini dapat digunakan sebagai pembatas cluster [9].

Hasil (Bahasa Indonesia) 2:

Kedua å belajar tingkat (t) dan ó lingkungan (t) menurun monoton dengan waktu. Selama pelatihan, para SOM berperilaku seperti jaring fleksibel yang lipatan ke awan yang dibentuk oleh data training. Karena hubungan lingkungan, neuron tetangga ditarik ke arah yang sama, dan dengan demikian memiliki vektor dari tetangga neuron mirip satu sama lain.
Ada banyak varian dari SOM [7]. Namun, varian ini tidak dipertimbangkan dalam makalah ini karena algoritma yang diusulkan didasarkan pada SOM, tetapi tidak varian baru dari SOM.
2D peta dapat dengan mudah divisualisasikan dan dengan demikian memberi orang informasi yang berguna tentang input data. Cara biasa untuk menampilkan struktur cluster data adalah dengan menggunakan matriks jarak, seperti U-matrix [8]. Metode U-matrix menampilkan SOM jaringan sesuai dengan neuron tetangga. Cluster dapat diidentifikasi dalam jarak antar-neuron rendah dan perbatasan yang diidentifikasi dalam tinggi jarak antar neuron. Metode lain dari visualisasi struktur cluster adalah untuk menetapkan input data ke neuron terdekat mereka. Beberapa neuron kemudian tidak memiliki data masukan yang ditugaskan kepada mereka. Neuron ini dapat digunakan sebagai perbatasan cluster [9].