Optimasi Vektor Bobot pada Learning Vector Quantization Menggunakan Algoritme Genetika untuk Penentuan Kualitas Susu Sapi

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 1, Januari 2018, hlm. 217-225

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Optimasi Vektor Bobot pada Learning Vector Quantization Menggunakan Algoritme Genetika untuk Penentuan Kualitas Susu Sapi Karina Widyawati1, Budi Darma Setiawan2, Putra Pandu Adikara3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Susu merupakan bahan pangan dengan kandungan gizi lengkap yang penting bagi tubuh sehingga masyarakat perlu mengonsumsi susu dengan kualitas tinggi. Kualitas susu dapat ditentukan dengan alat Milkoscope Julie c2 atau Lactoscan untuk menguji kandungan kimiawi. Alat tersebut dapat mengetahui kandungan kimiawi meliputi 7 parameter. Dari 7 parameter, 3 parameternya merupakan ketentuan dari Standar Nasional Indonesia (SNI) sedangkan 4 parameter yang lain tidak tercantum dalam SNI. Jika penentuan kualitas susu hanya dengan 3 parameter SNI hasilnya kurang maksimal. Berdasarkan permasalahan tersebut, dibutuhkan sistem yang dapat menentukan kualitas susu sapi yang mempertimbangkan 7 parameter. Metode yang dapat digunakan untuk menentukan kualitas susu adalah Learning Vector Quantization (LVQ) namun LVQ membutuhkan metode optimasi untuk menghasilkan vektor bobot terbaik dan meningkatkan akurasi yaitu menggunakan Algoritme Genetika (AG). Hasil yang diperoleh dari penelitian memperoleh akurasi tertinggi sebesar 88% dengan parameter terbaik yaitu populasi 30, crossover rate 0,5, mutation rate 0,5, generasi 75, alpha 0,6 dan pengurang alpha 0,3. Kata Kunci: susu sapi, algoritme genetika, learning vector quantization, optimasi, klasifikasi

Abstract Milk has a complete nutrition that important for body so every people can consume milk with high quality. Determination of milk quality can by tools called Milkoscope Julie c2 or Lactoscan to test the chemical contents. That tools can identified the chemical content which includes 7 parameters. From 7 parameters, 3 parameters are provisions of SNI and 4 parameters are not listed in porvisions of SNI. If we determine milk quality only from 3 parameter in SNI, the result is not the best. Based on that problems, we need a system that can help us to determine quality of milk considering 7 parameters. Method that can be used for this problem is Learning Vector Quantization (LVQ) but LVQ need an optimazion method to produce the best weight vector and increase accuracy using Genethic Algorithm (GA). Best weight vector of GA will be used for LVQ training and the latest wight vector of training used for testing. The result of this research obtained the highest accuracy average is 88% with best parameters such as population size 30, crossover rate 0,5, mutation rate 0,5, generation 75, alpha 0,6, and alpha decrement 0,3. Keywords: cow milk, genetic algorithm, learning vector quantization, optimatization, classification

1.

penting bagi tubuh manusia (Suhartini & Aryani, 2014). Susu sapi sendiri memiliki lebih banyak konsumen jika dibandingkan susu kambing atau kerbau. Jika dilihat dari segi nutrisi, kandungan pada susu sapi dan susu hewan lainnya tidak jauh berbeda. Namun karena kebiasaan, banyaknya peternakan yang memproduksi susu sapi dan mudah untuk membeli susu sapi membuat para konsumen lebih memilih mengonsumsi susu sapi daripada susu kambing atau kerbau. Mengonsumsi susu sangat dianjurkan setiap

PENDAHULUAN

Untuk memenuhi kebutuhan gizi tubuh, manusia memerlukan makanan sehat yang bisa diperoleh dari berbagai sumber salah satunya hewan. Susu merupakan bahan pangan yang dihasilkan oleh hewan seperti sapi dan kambing. Susu sapi memiliki kandungan gizi tinggi dan lengkap karena di dalamnya terkandung zat-zat lengkap dan seimbang yaitu lemak, protein, mineral, karbohidrat dan vitamin yang sangat Fakultas Ilmu Komputer Universitas Brawijaya

217

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

hari baik untuk orang dewasa maupun anakanak. Bagi anak-anak, mengonsumsi susu sangat berguna sebagai sumber nutrisi untuk proses tumbuh kembang anak, salah satunya dalam hal kecerdasan otak karena tubuh melakukan penyerapan terhadap susu sebesar 98% - 100%. Selain pentingnya kandungan susu bagi tubuh manusia, dibutuhkan sebuah sistem yang dapat menentukan kualitas susu sehingga masyarakat bisa mengonsumsi susu dengan kualitas tinggi. Salah satu cara untuk penentuan kualitas susu yaitu dengan menguji kandungan kimiawinya. Proses pengujian dilakukan menggunakan alat Milkoscope Julie c2 dan Lactoscan. Alat tersebut dapat mengetahui kandungan kimiawi dari susu yang meliputi 7 parameter yaitu lemak (Fat), Solid Non Fat (SNF), Kekentalan (Density), Protein, Laktosa, Air dan Temperatur. Dari ketujuh parameter tersebut, 3 parameternya merupakan ketentuan dari SNI yaitu fat, SNF dan protein sedangkan 4 parameter yang lain tidak tercantum dalam ketentuan SNI. Apabila penentuan kualitas susu sapi dilakukan hanya dengan 3 parameter sesuai ketentuan SNI maka hasilnya kurang maksimal jadi digunakan 4 parameter lain yaitu density, laktosa, air dan temperatur sebagai kandungan tambahan untuk penentuan kualitas susu. Dari permasalahan tersebut, dibutuhkan sebuah sistem yang dapat membantu menentukan kualitas susu sapi yang mempertimbangkan 7 parameter. Salah satu metode klasifikasi yang dapat digunakan dalam penentuan kualitas susu sapi adalah Learning Vector Quantization (LVQ). LVQ adalah salah satu metode klasifikasi yang mana terdapat vektor bobot yang mewakili satu unit keluaran untuk dijadikan acuan bagi kelas yang mewakili keluaran tersebut dengan cara menghitung jarak terdekat antar data. Metode LVQ pernah diterapkan untuk penentuan kualitas susu sapi. Tahap awal yang dilakukan adalah membagi semua data menjadi data latih dan data uji. Kemudian melakukan perhitungan LVQ terhadap data latih untuk memperoleh bobot akhir. Selanjutnya, bobot akhir tersebut digunakan untuk menguji dan menentukan kualitas susu sapi pada data uji. Akurasi terbaik yang dihasilkan pada penelitian ini adalah 91,79% (Ganidar, et al., 2015). Vektor bobot pada LVQ sangat penting dalam proses klasifikasi. Vektor bobot akan terus diperbarui hingga kondisi berhenti terpenuhi atau mencapai maksimal iterasi. Oleh Fakultas Ilmu Komputer, Universitas Brawijaya

218

karena itu, dibutuhkan suatu metode optimasi untuk menghasilkan vektor bobot terbaik dan meningkatkan akurasi. Salah satu metode optimasi yang sudah banyak digunakan adalah algoritme genetika. Kombinasi metode LVQ dan algoritme genetika pernah diterapkan (Sen, et al., 2002) untuk klasifikasi kualitas sinyal listrik. Terdapat 5 kelas sinyal pada penelitian ini yaitu voltage sag (lengkungan tegangan), swell (pembesaran), outage, dan variasi frekuensi. Setelah dilakukan pengujian menggunakan LVQ dan LVQ-GA didapatkan hasil bahwa metode LVQ-GA menghasilkan akurasi lebih tinggi mencapai 97,42% untuk kelas outage dibanding menggunakan LVQ yang hanya menghasilkan akurasi 93,59%. Berdasarkan penelitian yang telah dilakukan sebelumnya, dapat disimpulkan bahwa LVQ dapat digunakan dalam mengklasifikasikan kualitas susu sapi. Untuk menghasilkan vektor bobot dan akurasi terbaik maka diperlukan optimasi menggunakan algoritme genetika. 2.

LANDASAN KEPUSTAKAAN

2.1 SUSU Susu telah dikonsumsi hampir semua orang. Susu dianggap sebagai bahan pangan yang penting bagi tubuh manusia. Jika dilihat dari segi nutrisinya, susu bisa didefinisikan sebagai bahan pangan yang hampir mendekati sempurna 2.2 KARAKTERISTIK SUSU SEGAR Susu merupakan cairan berwarna putih yang disekresikan oleh binatang mamalia betina melalui kelenjar mammae sebagai sumber gizi bagi anaknya. Manusia juga memanfaatkan susu sebagai bahan pangan untuk diminum baik yang sudah diolah maupun susu yang masih segar (Julmiati, 2002). Di dalam susu terkandung campuran kompleks yang terdiri dari lemak, karbohidrat, protein, laktosa, mineral, vitamin dan garamgaram anorganik yang terdispersi oleh air. Adapun faktor yang memengaruhi sifat fisik susu segar adalah komposisi yang terkandung di dalam susu serta perubahan-perubahan yang terjadi pada komposisi tersebut. 2.3 KANDUNGAN KIMIA SUSU Pada penelitian ini menggunakan 7 parameter untuk penentuan kualitas susu, antara lain (ST, 2009):

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

a. Lemak (Fat) Kandungan lemak dalam susu adalah komponen yang sangat penting. Wujud dari lemak merupakan butiran-butiran dengan diameter antara 0,001 mm sampai 0,01 m. b. Solid non Fat (SNF) Kadungan SNF dipengaruhi oleh suhu dan kualitas makanan hewan. Jika suhu tinggi dan kualitas makanan buruk dapat menyebabkan kandungan SNF rendah dan sebaliknya. c. Kekentalan (Density) Density bisa disebut juga dengan massa jenis susu. Jika kandungan susu semakin lengkap maka susu akan semakin kental. d. Protein Jenis protein yang terkandungan dalam susu adalah kasein. Kasein merupakan jenis protein berkualitas tinggi karena mengandung semua asam amino sehingga baik untuk susu maupun produk olah susu. e. Lactosa Kuman pembentuk asam susu dapat merusak kadar lactosa. Jumlah lactosa yang terlalu banyak dapat menyebabkan gangguan pencernaan. f. Air (Water) Kandungan air dalam susu berfungsi untuk melarutkan komponen-komponen yang dapat larut atau membentuk suspense. g. Suhu (Temperature) Susu sapi segar yang baru diperah biasanya akan disimpan dalam suhu kamar apabila akan langsung dikonsumsi. Suhu susu sapi dan lamanya waktu penyimpanan dapat mempengaruhi kualitas susu sapi. 2.4 ALGORITME GENETIKA Algoritme genetika merupakan metode optimasi yang mengacu pada perilaku dari evolusi biologi untuk menyelesaikan masalah tertentu dalam bidang pemrograman (Wai-Ho, et al., 2003). Tujuan dari algoritme genetika adalah untuk memilih individu terbaik dalam suatu populasi. Menurut Mery (2011) algoritme genetika memiliki siklus umum yang akan dijelaskan pada langkah-langkah berikut: a. Membangkitkan populasi awal Penentuan populasi awal dilakukan secara random dan setiap populasi terdiri dari beberapa kromosom sebagai solusi awal. Pada penelitian ini, pengodean kromosom menggunakan real code dan setiap populasi memilik 3 kromosom

Fakultas Ilmu Komputer, Universitas Brawijaya

219

yang mewakili setiap kelas. Contoh representasi kromosom dapat dilihat pada Tabel 1. b. Membentuk generasi baru Terdapat dua langkah yang digunakan untuk membentuk generasi baru yaitu crossover dan mutasi. - Crossover yaitu proses persilangan antara dua parent yang dipilih secara acak untuk menghasilkan individu baru atau yang biasa disebut offspring. (Saputro, et al., 2015). Jenis crossover yang digunakan pada penelitian ini adalah extended intermediate crossover yang dihitung dengan persamaan: 𝐶𝑖 = 𝑃1 + 𝛼(𝑃2 − 𝑃1 ) (1) Keterangan: C = child atau offspring P = parent 𝛼 = nilai random dengan rentang -0.25-1.25 Misal cr 0,4 dengan nilai a (0,32; 0,1; 0,85; -0,19; 0,42; 0,02; 0,28). Contoh hasil perhitungan crossover dapat dilihat pada tabel berikut. Tabel 2 dan 3 merupakan contoh parent dan Tabel 4 merupakan contoh offspring. - Mutasi adalah pembentukan individu baru dengan memodifikasi satu atau lebih gen pada individu yang sama (Mahmudy, 2013). Jenis mutasi yang digunakan pada penelitian ini adalah random mutation yang dihitung menggunakan persamaan: 𝑥′𝑖 = 𝑥𝑖 + 𝑟(𝑚𝑎𝑥𝑖 − 𝑚𝑖𝑛𝑖 ) (2) Keterangan: 𝑥′𝑖 = offspring gen ke-i 𝑥𝑖 = parent gen ke-i r = bilangan random 𝑚𝑎𝑥𝑖 = nilai maksimum dari gen ke-i 𝑚𝑖𝑛𝑖 = nilai minimun dari gen ke-i Misal mr 0,3 dengan nilai r 0,03. Contoh hasil perhitungan mutasi dapat dilihat pada tabel berikut. Tabel 5 merupakan contoh parent dan Tabel 6 merupakan contoh offspring. c. Evaluasi Solusi Proses ini bertujuan untuk mengevaluasi setiap populasi sampai terpenuhi kriteria berhenti. Jika kriteria berhenti belum terpenuhi maka ulangi lagi langkah b. Berikut adalah kriteria berhenti yang umum digunakan yaitu: - Berhenti pada generasi tertentu

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Tabel 1 Representasi Kromosom

W1 W2 W3

Fat 2,66 3,22 4,18

W1 3,3 W2 2,97 W3 4,66 W1 1,98 W2 3,77 W3 5

Individu 1 SNF Density Protein Lactosa Water Temperature 6,51 18,77 2,03 3,02 35,4 17 8,77 30,66 2,36 4,53 2 27 8,36 30,16 3,18 4,81 0 17 Individu 2 7,11 24,31 2,62 3,9 14,5 23 8,13 25,44 2,38 3,95 0,9 26 8,37 27,96 3,08 4,59 0 20 Individu 3 7,56 21,35 2,44 4,01 11 22 7,43 25,33 2,76 4,11 9,2 16 8,04 26,46 2,96 4,71 0,5 20 Tabel 2 Contoh Parent Pertama

Individu Fat SNF Density Protein Lactosa Water Temperature W1 2,66 6,51 18,77 2,03 3,02 35,4 17 W2 3,22 8,77 30,66 2,36 4,53 2 27 W3 4,18 8,36 30,16 3,18 4,81 0 17 Tabel 3 Contoh Parent Kedua

Individu Fat SNF Density Protein Lactosa Water Temperature W1 3,3 7,11 24,31 2,62 3,9 14,5 23 W2 2,97 8,13 25,44 2,38 3,95 0,9 26 W3 4,66 8,37 27,96 3,08 4,59 0 20 Tabel 4 Contoh Hasil Offspring

Individu Fat SNF Density Protein Lactosa Water Temperature W1 2,86 6,57 23,47 1,91 3,38 34,98 18,68 W2 3,14 8,7 26,22 2,35 4,28 1,97 26,72 W3 4,89 8,07 27,73 2,93 4,65 0,49 20 Tabel 5 Contoh Parent Mutasi

Individu Fat SNF Density Protein Lactosa Water Temperature W1 1,98 7,56 21,35 2,44 4,01 11 22 W2 3,77 7,43 25,33 2,76 4,11 9,2 16 W3 5 8,04 26,46 2,96 4,71 0,5 20 Tabel 6 Contoh Hasil Offspring

Individu Fat SNF Density Protein Lactosa Water Temperature W1 1,98 7,56 21,35 2,44 4,11 11 22 W2 3,77 7,43 25,33 2,76 4,21 9,2 16 W3 5 8,04 26,46 2,96 4,91 0,5 20

Fakultas Ilmu Komputer, Universitas Brawijaya

220

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

- Berhenti setelah beberapa generasi dengan nilai fitness tertinggi - Berhenti pada generasi ke–n ketika nilai fitness dari populasi tidak mengalami perubahan Nilai fitness yang digunakan adalah nilai akurasi. Berikut merupakan persamaan yang digunakan untuk menghitung nilai akurasi: 𝑛𝑖𝑙𝑎𝑖 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑏𝑒𝑛𝑎𝑟 𝑡𝑜𝑡𝑎𝑙 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎

×100% (3)

d. Seleksi Nilai fitness dari setiap individu akan mengalami proses seleksi. kemudian individu dengan nilai fitness terbaik akan lolos ke generasi berikutnya dan mengulangi proses reproduksi sampai seleksi hingga kondisi berhenti terpenuhi. 2.5 LEARNING VECTOR QUANTIZATION (LVQ) Learning Vector Quantization (LVQ) merupakan jaringan lapisan tunggal yang sudah banyak digunakan dalam pengenalan pola baik berupa suara, citra, dan lain sebagainya. Selain itu, LVQ juga sering dimanfaatkan untuk klasifikasi yang memiliki tingkat akurasi tinggi dan kecepatan dalam hal memproses (Hariri, et al., 2015). Arsitektur LVQ dapat dilihat pada Gambar 1. X1 | |Xi – W1| |

F1

| |Xi – W2| |

F2

X2

221

learning rate (𝛼), minimum 𝛼. Nilai epoch dan 𝛼 berfungsi untuk menentukan batas ambang komputasi 3. Melakukan proses dibawah ini selama epoch < MaxEpoch atau 𝛼= 𝛼 minimum a. Mengerjakan untuk i=1 sampai n 1) Menghitung jarak hingga diperoleh jarak minimum, dimisalkan hasilnya sebagai nilai Cj. Persamaan yang digunakan sebagai berikut: 𝑗 𝐷(𝑥,𝑤) = √∑𝑖=1(𝑥𝑖 − 𝑊𝑖 )2

(4)

Keterangan: 𝐷𝑖 = jarak data ke-i 𝑥𝑖 = data ke-i 𝑊= vektor bobot 2) Memperbarui nilai Wj dengan syarat: a) Jika 𝑇 = 𝐶𝑗 maka 𝑊𝑗 (𝑏𝑎𝑟𝑢) = 𝑊𝑗 (𝑙𝑎𝑚𝑎) + 𝛼(𝑋 − 𝑊𝑗 (𝑙𝑎𝑚𝑎)) (5) b) Jika 𝑇 ≠ 𝐶𝑗 maka 𝑊𝑗 (𝑏𝑎𝑟𝑢) = 𝑊𝑗 (𝑙𝑎𝑚𝑎) − 𝛼(𝑋 − 𝑊𝑗 (𝑙𝑎𝑚𝑎)) (6) b. Mengurangi nilai 𝛼 selama kondisi berhenti belum terpenuhi dengan persamaan: α(baru) = α(lama)×dec α (7) Keterangan: dec α: pengurang α yang ditentukan secara acak 4. Mengulangi langkah ke 3 jika 𝛼 <= 𝛼 minimum belum terpenuhi. 5. Setelah melakukan proses pelatihan, selanjutnya akan didapatkan bobot akhir (W). Bobot tersebut akan digunakan untuk melakukan klasifikasi pada data baru.

X3

X7

3

| |Xi – W3| |

F3

Bobot

Output

METODOLOGI

3.1 DATA PENELITIAN

Input

Gambar 1 Arsitektur LVQ

Berdasarkan Gambar 2.1, prinsip kerjanya yaitu mengurangi node-node tetangganya (neighbour) sehingga hanya akan ada satu node output yang terpilih (winner node). Langkahlangkah proses perhitungan adalah sebagai berikut (Hariri, et al., 2015): 1. Menyiapkan data latih dan target 2. Menginisialisasi bobot (W), maksimum epoch, nilai learning rate (𝛼), pengurang Fakultas Ilmu Komputer, Universitas Brawijaya

Data kualitas susu sapi didapat dari skripsi sebelumnya yang berjudul “Pengklasifikasian Kualitas Susu Sapi Dengan Algoritme Fuzzy KNearest Neighbor (FK-NN)”. Terdapat 7 parameter yang digunakan untuk menentukan kualitas susu sapi yaitu fat, solid non-fat (SNF), density, protein, lactosa, water dan temperature. Jumlah data yang digunakan dalam penelitian ini sebanyak 150 data yang dibagi menjadi 100 data latih dan 50 data uji. Jumlah kelas yang ada pada data ini sebanyak 3 kelas yaitu kualitas tinggi, kualitas sedang, dan kualitas rendah.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

3.2 OPTIMASI VEKTOR BOBOT LVQ MENGGUNAKAN ALGORITME GENETIKA Gambar 2 menunjukkan alur AG-LVQ yang dimulai dengan proses membangkitkan individu sejumlah ukuran populasi yang diambil secara random dari data. Mulai

Population size, jmlgenerasi, cr, mr, iterasi LVQ, 𝛼, dec 𝛼, 𝛼 minimum, dataset Bangkitkan populasi awal Crossover & Mutasi Evaluasi Akurasi

Seleksi T i==jmlgener asi Y Vektor bobot terbaik LVQ

Hasil klasifikasi, nilai akurasi Selesai

222

individu yang lolos diambil sejumlah ukuran populasi. Proses perhitungan AG akan berulang hingga syarat berhenti terpenuhi yaitu ketika mencapai generasi maksimum. Keluaran dari AG adalah satu vektor bobot yang memiliki nilai akurasi terbaik. Selanjutnya, vektor bobot tersebut akan digunakan dalam proses training LVQ. Pada proses training, vektor bobot akan diperbarui hingga mencapai alpha minimum. Bobot paling baru dari hasil training akan digunakan untuk testing LVQ. Testing menghasilkan nilai akurasi dari keseluruhan proses dan hasil klasifikasi kualitas susu untuk setiap data. 4

PENGUJIAN DAN ANALISIS

Pengujian yang dilakukan ada 2 jenis yaitu pengujian LVQ dan pengujian Algoritme Genetika-LVQ. Pada pengujian LVQ, parameter yang diuji adalah nilai laju pembelajaran dan pengurang alpha. Untuk Algoritme GenetikaLVQ terdapat 4 jenis pengujian meliputi pengujian jumlah population size, pengujian jumlah generasi, pengujian nilai kombinasi cr mr, pengujian nilai laju pembelajaran, pengujian pengurang alpha, dan pengujian cross validation. Parameter awal yang digunakan dalam pengujian LVQ antara lain: a. Iterasi maksimum = 1000 b. Pengurang alpha = 0,3 c. Alpha minimum = 10-17 Parameter awal yang digunakan dalam pengujian AG-LVQ antara lain: a. Jumlah generasi: 25 b. Cr: 0,3 Mr: 0,7 c. Iterasi maksimum: 1000 d. Pengurang alpha: 0,3 e. Laju Pembelajaran: 0,2 f. Alpha minimum: 10-17

Gambar 2 Alur AG-LVQ

4.1 HASIL DAN ANALISIS NILAI LAJU PEMBELAJARAN LVQ

Kemudian melakukan proses reproduksi yaitu crossover dan mutasi untuk menghasilkan offspring. Setelah itu semua individu akan mengalami proses evaluasi dengan menghitung nilai fitness untuk setiap individu. Nilai fitness yang digunakan pada penelitian ini adalah nilai akurasi. Dari nilai akurasi tersebut, individu akan mengalami proses seleksi. Individu dengan nilai akurasi tertinggi memiliki kemungkinan untuk lolos ke generasi berikutnya. Jumlah

Gambar 3 menunjukkan bahwa rata-rata akurasi pada pengujian kedua hingga kelima menghasilkan akurasi yang stabil dengan ratarata 80%. Untuk pengujian keenam dan seterusnya mengalami penurunan. Apabila nilai laju pembelajaran terlalu kecil akan mengakibatkan konvergensi lebih cepat, sedangkan nilai laju pembelajaran yang terlalu besar akan mengakibatkan divergen yang berpengaruh pada akurasi. Pada penelitian ini,

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Pengujian Nilai Laju Pembelajaran 78,8

86

85 20

76,4

30

40

50

Population Size Akurasi 61,6

Gambar 5 Grafik Pengujian Population Size

50 0,1

0,2

0,3

0,4

0,5

0,6

0,7

50,8 0,8 0,9

Laju Pembelajaran Akurasi

Gambar 3 Grafik Pengujian Laju Pembelajaran

4.2 HASIL DAN ANALISIS PENGURANG ALPHA LVQ

88 86

Dari pengujian ini, akurasi tertinggi dihasilkan oleh nilai population size 30 dengan rata-rata 87,6 sedangkan, akurasi terendah dihasilkan oleh nilai population size 50 dengan nilai rata-rata 86. Semakin banyak jumlah populasi akan menghasilkan semakin banyak solusi namun belum tentu solusi tersebut merupakan solusi terbaik yang menghasilkan nilai akurasi tinggi. 4.4 HASIL DAN ANALISIS PENGUJIAN CR DAN MR AG-LVQ

Pengujian Nilai Pengurang 𝛼 85,2

Pengujian cr dan mr

83,6 81,6

0,3

0,4

0,5

0,6

0,7

0,8

0,9

Pengurang 𝛼 Akurasi

Gambar 4 Grafik Pengujian Pengurang 𝛼

Gambar 4 menunjukkan nilai rata-rata akurasi dari hasil pengujian nilai pengurang 𝛼. Pada grafik tersebut dapat dilihat bahwa rata-rata akurasi mulai pengujian kedua terus mengalami penurunan sehingga akurasi terbaik sebesar 85,6% dihasilkan oleh pengurang 𝛼 dengan nilai 0,1. Untuk akurasi terendah sebesar 81,6% dihasilkan oleh nilai 0,9. Pengurang alpha berpengaruh pada nilai alpha dalam proses update bobot sehingga hal tersebut juga akan mempengaruhi hasil akurasi. 4.3 HASIL DAN ANALISIS POPULATION SIZE AG-LVQ Gambar 5 menunjukkan hasil akurasi dari pengujian population size. Grafik mengalami peningkatan akurasi untuk percobaan kedua dan ketiga sedangan pada percobaan keempat dan kelima mengalami penurunan. Fakultas Ilmu Komputer, Universitas Brawijaya

86,8

86,4 86,4

86

86

86,8

86,8 86 86

85

[0,9;0,1]

0,2

87

[0,8;0,2]

80 0,1

87,2 81,6

[0,7;0,3]

82

[0,6;0,4]

82,8

[0,5; 0,5]

82

88

[0,4;0,6]

82,4

84

[0,3; 0,7]

85,6

[0,2; 0,8]

Akurasi

86,4 86,8

77,6

60

84

86

[0,1; 0,9]

70

87,6

10

83,6

83,6

87,2

87

83,2

84

80

88

Akurasi

Akurasi

90

Pengujian Population Size

Akurasi

nilai laju pembelajaran yang menghasilkan akurasi tertinggi sebesar 84% adalah 0,2 dan yang menghasilkan akurasi terendah sebesar 50,8% adalah 0,9.

223

cr dan mr Akurasi

Gambar 6 Grafik Pengujian cr mr

Gambar 6 menunjukkan nilai akurasi dari hasil pengujian kombinasi nilai cr mr. Jika nilai cr terlalu rendah maka AG akan bergantung pada nilai mr sehingga dapat menyebabkan eksploitasi tinggi. Apabila nilai cr rendah maka berpengaruh pada ruang pencarian solusi yang tidak dieksploitasi secara efektif. Nilai akurasi tertinggi dihasilkan oleh kombinasi nilai cr 0,5 dan mr 0,5 dengan rata-rata sebesar 87,2. Untuk nilai akurasi terendah sebesar 86 dihasilkan oleh tiga nilai kombinasi cr mr yaitu (0,3; 0,7), (0,7;0,3) dan (0,8; 0,2).

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

4.5 HASIL DAN ANALISIS PENGUJIAN JUMLAH GENERASI LVQ-AG Gambar 7 menunjukkan hasil akurasi dari jumlah generasi. Grafik tersebut mengalami peningkatan akurasi pada percobaan ketiga dan turun untuk percobaan selanjutnya. Pengujian Generasi 86,8

Akurasi

86,4

25

86

86,4

86,4

50

75

100

Banyak jumlah generasi memberikan kesempatan bagi individu dengan nilai akurasi tinggi untuk lolos ke generasi berikutnya namun tidak selalu individu tersebut menghaslkan solusi terbaik. Dari pengujian ini, akurasi tertinggi dihasilkan oleh generasi sebesar 30 dengan rata-rata akurasi 86,8 dan akurasi terendah dihasilkan oleh generasi 125 dengan rata-rata akurasi 86. 4.6 HASIL DAN ANALISIS PENGUJIAN NILAI LAJU PEMBELAJARAN AGLVQ Gambar 8 menunjukkan nilai akurasi tertinggi diperoleh saat pengujian laju pembelajaran bernilai 0,6 yaitu dengan rata-rata akurasi 88. Pengujian Laju Pembelajaran

Pengujian Nilai Pengurang 𝛼 100

84,8

86

66

80

87,6

86 85,6

84

86,8

88

82,4 83,6

82

70 60 50 0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

Pengurang 𝛼 Akurasi

Gambar 9 Grafik Pengujian Pengurang 𝛼

Untuk percobaan keempat dan seterusnya, grafik mengalami penurunan dan akurasi terendah sebesar 82% dihasilkan oleh nilai pengurang 𝛼 0,9. Nilai pengurang alpha berpengaruh pada nilai akurasi karena nilai pengurang alpha akan memperbarui nilai alpha yang digunakan dalam proses update bobot sehingga dapat meningkatkan nilai akurasi. 4.8 HASIL DAN ANALISIS PENGUJIAN CROSS VALIDATION Gambar 10 menunjukkan nilai akurasi pada pengujian cross validation. Pada pengujian nilai, perbandingan data yang digunakan adalah 70% data latih dan 30% data uji. Terdapat 5 jenis data yang diuji dengan perbandingan sama namun persebaran data yang berbeda.

53,2

Akurasi Pengujian Cross Validation 0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

Alpha Akurasi

Gambar 8 Grafik Pengujian Laju Pembelajaran

Untuk akurasi terendah didapatkan saat pengujian laju pembelajaran bernilai 0,9 yang rata-rata akurasinya bernilai 53,2. Pada penelitian ini, nilai laju pembelajaran yang Fakultas Ilmu Komputer, Universitas Brawijaya

Akurasi

Akurasi

83,6

88

84,8 86

Gambar 9 menunjukkan rata-rata akurasi dari hasil pengujian nilai pengurang 𝛼. Pada percobaan kedua dan ketiga mengalami kenaikan akurasi sehingga akurasi terbaik sebesar 88% dihasilkan oleh nilai pengurang 𝛼 0,3.

90

Gambar 7 Grafik Pengujian Jumlah Generasi

86

4.7 HASIL DAN ANALISIS PENGUJIAN PENGURANG ALPHA LVQ-AG

125

Generasi Akurasi

100 90 80 70 60 50 40

menghasilkan akurasi tertinggi sebesar 88% adalah 0,6 dan yang menghasilkan akurasi terendah sebesar 53,2% adalah 0,9.

Akurasi

87,5 87 86,5 86 85,5 85

224

90 85 80 75 70 65

88,9

80

72,432

80,452 76,456

Data 1

Data 2

Data 3 Data 4 Data Akurasi

Data 5

Gambar 10 Grafik Pengujian Cross Validation

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Nilai akurasi terbaik dihasilkan oleh data 5 dengan nilai akurasi 88,9%. Dari grafik tersebut dapat disimpulkan bahwa persebaran data mempengaruhi nilai akurasi. 5

PENUTUP

Berdasarkan hasil perancangan, implementasi dan pengujian yang telah dilakukan sebelumnya didapatkan kesimpulan yaitu parameter terbaik pada pengujian LVQ adalah nilai laju pembelajaran 0,2, pengurang 𝛼 0,1, 𝛼 minimum 10-17 dan iterasi maksimum 1000 yang menghasilkan rata-rata akurasi 85,6%. Untuk pengujian AG-LVQ terdapat 6 jenis pengujian. Rata-rata akurasi terbaik sebesar 88% dihasilkan oleh population size 30, cr 0,5, mr 0,5, generasi 75, iterasi maksimum 1000, laju pembelajaran 0,6, dan pengurang 𝛼 0,3. Untuk pengujian cross validation diperoleh nilai akurasi sebesar 88,9% yang dihasilkan oleh data 5. Hasil dari setiap percobaan menggunakan AG-LVQ menunjukkan hasil yang lebih stabil dibandingkan dengan metode LVQ saja karena bobot telah dievaluasi sebelumnya serta menghasilkan nilai akurasi yang lebih tinggi. DAFTAR PUSTAKA Ganidar, F. R., Dewi, C. & Regasari, R., 2015. Pengklasifikasian Mutu Susu Sapi Menggunakan Learning Vektor Quantization (LVQ) (Studi Kasus: UPT Laboratorium Kesehatan Hewan Malang), Malang: Universitas Brawijaya. Hariri, F. R., Ema, U. & Armadyah, A., 2015. Learning Vector Quantization untuk Klasifikasi Abstrak Tesis. Citec Journal. Julmiati, 2002. Perbandingan Kualitas Susu Pasteurisasi terhadap Pembentukan Curd Keju dengan Penambahan Sari Buah Markisa (Passiflora Edulis Sims). Makassar: Universitas Hasanuddin. Mahmudy, W. F., 2013. Algoritma Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya. Mayasari, D. & Listyana, L., 2014. Jaringan Saraf Tirutan, Yogyakarta: s.n. Mery, H., 2011. Penerapan Algoritma Genetika pada Penjadwalan Mata Kuliah (Studi Fakultas Ilmu Komputer, Universitas Brawijaya

225 Kasus: Program Studi Matematika FMIPA Universitas Bengkulu).

Putri, N. R., 2012. Learning Vector Quantization Dengan Logika Fuzzy Untuk Pengenalan Wajah Berspektrum Cahaya Tampak Dengan Variasi Cahaya, Depok: Universitas Indonesia. Saleh, E., 2004. Dasar Pengolahan Susu dan Hasil Ikutan Ternak, s.l.: Fakultas Pertanian Universitas Sumatera Utara. Saputro, H. A., Mahmudy, W. F. & Dewi, C., 2015. Implementasi Algoritma Genetika Untuk Optimasi Penggunaan Lahan Pertanian. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya vol. 5, no. 12. Sen, O., Zhengxiang, S., Jianhua, W. & Degui, C., 2002. Application of LVQ Neural Networks Combined with Genetic Algorithm in Power Quality Signals Classification, Shaanxi: School of Electrical Engineering. Sonali, M., Maind, B. & Wankar, M. P., 2014. Research Paper on Basic of Artificial Neural Network. ST,

A., 2009. [Online] Available at: https://arrayst.wordpress.com/tentangdunia-susu/ [Accessed Thursday July 2017].

Suhartini, R. & Aryani, D. I., 2014. Kategori Kualitas Susu Sapi Segar Secara Mikrobiologi Di Peternakan "X" Cisurupan - Garut. Jurnal Kesehatan Bakti Tunas Husada. Wai-Ho, A., Chan, K. & Xin, Y., 2003. A novel evolusionary data mining algorithm with applications to churn prediction. Evolutionary Computation, IEE Transaction on, vol: 7, pp. 532-545.