Number of objects in lower approxim

Number of objects in lower approximation
e =1
Total number of objects
From the Fig.5 it could be observed that the proposed RI¬SOM algorithm generates less error in cluster prediction compare to I-SOM.
The second data set is Iris data set [14] has been widely used in pattern classification. It has 150 data points of four dimensions. The data are divided into three classes with 50 points each. The first class of Iris plant is linearly separable from the other two. The other two classes are overlapped to some extent. Fig.6 shows the accuracy generated from epoch 100 to 500 by the (5). From the gained accuracy it’s obvious

that the RI-SOM could efficiently detect the overlapped data that have been mapped by overlapped neurons (Table I).

Hasil (Bahasa Indonesia) 1:

Jumlah objek di bawah perkiraane = 1 Jumlah keseluruhan objekDari Gbr.5 itu bisa diamati bahwa yang diusulkan algoritma RI¬SOM menghasilkan kesalahan lebih sedikit dalam klaster prediksi dibandingkan SomData set kedua adalah kumpulan data Iris [14] telah banyak digunakan dalam pola klasifikasi. Hotel ini memiliki 150 poin data dari empat dimensi. Data yang dibagi menjadi tiga kelas dengan 50 poin masing-masing. Kelas pertama Iris tanaman linear dipisahkan dari dua lainnya. Dua kelas yang tumpang tindih sampai batas tertentu. Fig.6 menunjukkan akurasi yang dihasilkan dari zaman 100 untuk 500 oleh (5). Dari akurasi memperoleh sudah jelas bahwa RI-SOM efisien bisa mendeteksi tumpang tindih data yang telah dipetakan oleh tumpang tindih neuron (meja saya).

Hasil (Bahasa Indonesia) 2:

Jumlah objek dalam pendekatan yang lebih rendah
e = 1
Total jumlah benda
Dari Gbr.5 dapat diamati bahwa algoritma RI¬SOM yang diusulkan menghasilkan kurang kesalahan dalam prediksi klaster dibandingkan dengan I-SOM.
Kumpulan data kedua adalah kumpulan data Iris [ 14] telah banyak digunakan dalam klasifikasi pola. Ini memiliki 150 poin data empat dimensi. Data dibagi menjadi tiga kelas dengan 50 poin masing-masing. Kelas pertama tanaman Iris adalah linear dipisahkan dari dua lainnya. Dua kelas lainnya yang tumpang tindih sampai batas tertentu. Gambar 6 menunjukkan akurasi yang dihasilkan dari zaman 100 sampai 500 dengan (5). Dari akurasi yang diperoleh sudah jelas bahwa RI-SOM efisien bisa mendeteksi data tumpang tindih yang telah dipetakan oleh neuron tumpang tindih (Tabel I).