14
memetakan y_in
2
ke y
2
= 2 apabila ||X – w2|| ||X – w1||, dan y
2
= 0 jika sebaliknya.
4. Y
1
dan Y
2
merupakan output pertama dan kedua. Algoritma training learning vector quantization Kusumadewi, 2004.
1. Tetapkan
a. Bobot awal variabel input ke-j menuju kelas cluster ke-i.
b. Parameter learning rate α
c. Pengurangan learning rate Dec α
d. Minimal learning rate yang diperbolehkan min α
2. Masukkan:
a. Data input:X
ij
Dengan i = 1, 2, ..., n; dan j = 1, 2, ..., m. b.
Target berupa kelas: T
k
; Dengan k = 1, 2, ..., n.
3. Tetapkan kondisi awal epoch
4. Kerjakan jika α =min α
a. Epoch = epoch + 1;
b. Kerjakan untuk i = 1 sampai n
i. Tentukan j sedemikian hingga ||X
i
- W
j
|| ii.
Perbaiki W
j
dengan ketentuan: o
Jika T = C
j
maka: W
j
= W
j
+ α X
i
– W
j
o Jika T ≠ C
j
maka: W
j
= W
j
- α X
i
– W
j
c. Kurangi nilai α.
Pengurangan α bisa dilakukan dengan: α = α – Dec α; atau dengan
Cara: α = α Dec α.
Setelah dilakukan pelatihan, akan diperoleh bobot-bobot akhir. Bobot-bobot ini nantinya akan digunakan untuk melakukan simulasi atau pengujian.
Algoritma simulasi pengujian 1.
Masukkan data yang akan diuji, misal: X
ij
dengan i = 1, 2, ..., np; dan j = 1, 2, ..., m.
2. Kerjakan untuk i = 1 sampai np
15
a. Tentukan J sedemikian hingga ||X
i
- W
j
|| minimum; dengan J = 1, 2, ..., k.
b. J adalah kelas untuk X
i
.
2.4. Penelitian Terdahulu
Terdapat beberapa penelitian terdahulu yang berkaitan dengan learning vector quantization dan produksi kelapa sawit dalam metode prediksi. Beberapa penelitian
terdahulu dalam penelitian ini akan dijadikan sebagai bahan acuan agar peneliti dapat memperoleh informasi mengenai topik pembahasan penelitian yang akan dilakukan.
Pada tahun 2009, Hermantoro Purnawan melakukan penelitian dengan judul pemodelan dan simulasi produktivitas perkebunan kelapa sawit berdasarkan kualitas
lahan dan iklim menggunakan model Artificial Neural Network. Data yang akan dijadikan parameter diambil dari beberapa afdeling PT.Sawit
Sumbermas Sarana Kalimantan Tengah. Penelitian ini menggunakan 7 data parameter yaitu curah hujan, ketinggian dari permukaan laut, kelerengan, umur tanaman, batuan,
solum, dan keasaman tanah. Pada saat training dicoba berbagai struktur model ANN yaitu model :7-3-1, model 7-4-1, dan model 7-51 dengan koefisien laju pembelajaran
0.9, konstanta omentum 0.9 dan konstanta gain 0.9. Berdasarkan hasil penelitian tersebut saat dilakukan test dan dari test tersebut diperoleh model terbaik adalah
model 7-3-1, dengan iterasi 30000, laju pembelajaran = 0.9, momentum = 0.9 dan konstanta gain = 0.9
dengan hasil pelatihan training R
2
= 0.9998 dan RSME = 0.0709 dan pengujian testing R
2
= 0.8901 dan RSME = 2.2196. Penelitian selanjutnya
yang menjadi acuan penulis yaitu penelitian yang dilakukan Hidayati Warsito dengan judul
Terjangkitnya Penyakit Jantung dengan metode Learning vector quantization. Penelitian ini menggunakan 10 data parameter
yaitu usia, jenis kelamin, angina nyeri dada, tekanan darah saat beristirahat, kolesterol, kadar gula darah 120 mgdl, Denyut nadi maksimal, merokok, keturunan,
olahraga. Agar dapat dikenali oleh jaringan, data pada variabel jenis kelamin harus diubah ke dalam bentuk numerik, yaitu diberi nilai 0 jika jenis kelamin adalah
perempuan dan diberi nilai 1 jika jenis kelamin adalah laki-laki. Begitu juga dengan variabel angina, kadar gula, merokok, keturunan,olahraga data tersebut diubah
kedalam bentuk numerik. Pada data variabel angina, diberi nilai 1 jika jenis angina adalah angina pectoris, Diberi nilai 2 jika jenis angina adalah unstable angina, Diberi
16
nilai 3 jika jenis angina adalah variant pectoris, Diberi nilai 4 jika jenis angina adalah myocardiac infarction. Pada data variabel Kadar gula darah 120 mgdl, nilai 0 jika
kadar gula darah tidak 120 mgdl, diberi nilai 1 jika kadar gula darah 120 mgdl. Pada data variabel merokok, diberi nilai 0 jika tidak merokok, Diberi nilai 1 jika
merokok kurang dari 3 kali sehari, Diberi nilai 2 jika merokok lebih dari 4 kali sehari.Pada data variabel keturunan diberi nilai 0 jika tidak mempunyai sejarah
keluarga yang sakit jantung, dan diberi nilai 1 jika mempunyai sejarah keluarga yang sakit jantung. Pada data variabel olahraga ini, yang dimaksud olah raga adalah
olahraga jalan kaki dengan jarak yang ditempuh kurang lebih 4 km. Sedangkan yang dimaksud 0, 1, 2, 3, 4 dan 5 dalam data pasien penyakit jantung adalah frekuensi olah
raga tiap minggunya. Pada metode Learning vector quantization, targetsasaran Y yang diinginkan juga harus dituliskan. Dalam hal ini targetnya berupa kategori
terjangkit penyakit jantung dan tidak terjangkit penyakit jantung. Agar dapat dikenali oleh jaringan, kategori harus diubah ke dalam bentuk numerik, yaitu diiberi nilai 1
jika orang tersebut tidak terjangkit penyakit jantung dan diberi nilai 2 jika orang tersebut terjangkit penyakit jantung. Parameter
– parameter yang digunakan pada penelitian tersebut saat melakukan training dengan nilai Alfa Learning rate
, α = 0.25 , DecAlfa Penurunan Learning rate
, Decα = 0.1, MinAlfa Minimum Learning rate, Minα = 0.001, MaxEpoch Maksimum epoch, MaxEpoch = 100. Hasil output
menunjukkan bahwa setelah dilakukan training sampai 100 epoch tingkat keberhasilan jaringan LVQ untuk dapat mengenali pola dengan benar sebesar 66.79.
BAB 3 ANALISIS DAN PERANCANGAN
Analisis Dan Perancangan Prediksi Produksi Kelapa Sawit
Dalam merancang prediksi produksi kelapa sawit, penulis menerapkan algoritma Learning Vector Quantization. Bentuk perancangan prediksi produksi kelapa sawit ini
dapat dilihat pada gambar 3.1 yang menunjukkan arsitektur umum dari rangkaian yang dilakukan pada proses training.
Gambar 3.1 Arsitektur umum Training
Proses dimulai dari penginputan data. Data yang di input berupa tahun produksi, tahun tanam, jumlah pokok, luas, umur, bulan, jumlah pupuk, jumlah hari
panen dan jumlah produksi. Data-data tersebut akan disimpan ke database training. Setelah semua data diinput dan disimpan maka proses selanjutnya adalah proses
training. Proses training dimulai dari penginisialisasian data-data input. Dua input akan di inisialisasi menjadi bobot training ke-1 dan ke-2, yaitu jumlah produksi
kelapa sawit paling kecil dan jumlah produksi kelapa sawit yang paling besar. Sedangkan sisanya akan dijadikan input pembelajaran.
Setelah nilai epoch ditentukan, pada epoch ke-1 hitung jarak terpendek dengan bobot training ke-1 dan ke-2. Setelah jarak terpendek pada bobot ke-1 dan ke-2
Database Input data produksi kelapa
sawit Inisialisasi bobot
training Hitung learning rate
update jarak bobot Tentukan nilai
epoch Hitung jarak bobot
terkecil
Bobot akhir training
