20
pula dengan yang terjadi pada fungsi aktivasi F
2
, akan memetakan y_in
2
ke y
2
= 2 apabila ||X
– w2|| ||X – w1||, dan y
2
= 0 jika sebaliknya. Y
1
dan Y
2
merupakan output pertama dan kedua.
Gambar 3.3 Arsitektur Jaringan Learning Vector Quantization
1. Tahun Produksi X
1
2. Tahun tanam X
3
3. Bulan X
3
4. Umur tanaman X
4
5. Luas X
5
6. Jumlah pokok X
6
7. Jumlah hari panen X
7
8. Jumlah pupuk X
8
9. Jumlah produksi sebelumnya X
9
10. Produksi rendah Y
1
11. Produksi tinggi Y
2
X
1
X
2
X
3
X
4
X-W
1
X-W
2
F
1
F
2
y_in
1
y_in
2
Y
1
Y
2
X
5
X
6
X
7
X
8
X
9
21
3.3. Penetapan Target Kelas
Terdapat 2 kelas yang akan menjadi output dari prediksi. Yaitu kelas produksi rendah kelas 1 dan kelas produksi tinggi kelas 2. Produksi kelapa sawit tinggi di dapat
apabila hasil produksi kelapa sawit diatas hasil data produksi kelapa sawit yang telah ditetapkan. Sebaliknya jika hasil produksi kelapa sawit dibawah dari data produksi
kelapa sawit yang telah ditentukan maka produksi kelapa sawit tersebut masuk ke kelas 1 yakni produksi kelapa sawit rendah. Dapat dilihat pada tabel 3.2 pertumbuhan
jumlah produksi kelapa sawit.
Tabel 3.2 Tabel pertumbuhan jumlah produksi kelapa sawit Sumber: http:www.investasikelapasawit.comestimasi-pendapatan
Tahun ke TM ke
Hasil TBShathn kg
4 1
5.000 5
2 6.000
6 3
12.000 7
4 14.000
8 5
16.000 9
6 18.000
10 7
20.000 11
8 21.000
12 9
22.000 13
10 23.000
14 11
24.000 15
12 24.000
16 13
24.000 17
14 23.000
18 15
22.000 19
16 21.000
20 17
20.000 21
18 19.000
22 19
18.000 23
20 17.000
24 21
16.000
22
No Yes
Tabel 3.2 Tabel Pertumbuhan jumlah produksi kelapa sawit lanjutan Tahun ke
TM ke Hasil TBShathn kg
25 22
15.000 26
23 14.000
27 24
13.000 28
25 12.000
Keterangan: 1.
Tahun ke memiliki pengertian berapa usia tanaman sawit tersebut. 2.
TM tahun menghasilkan ke merupakan penjabaran dari tahun menghasilkan yang keberapa produksi kelapa sawit tersebut.
3. Hasil TBStandan buah segarhathn merupakan data hasil produksi kelapa
sawit yang nantinya akan digunakan sebagai kelasifikasi output dari hasil prediksi. Hasil prediksi tersebut
3.4. Flowchart Training
Flowchart Training adalah proses pembelajaran data input oleh jaringan dengan algoritma Learning vector quantization. Dapat dilihat pada gambar 3.4. flowchart
learning vector quantization.
Gambar 3.4 Flowchart Training Start
Input X
i
dan Target
Inisialisasi bobot awal dan
Epoch=1 Epoch
≤ Max epoch
C B
A
23
No Yes
Yes
Yes No
Gambar 3.4 Flowchart Training lanjutan
3.5. Flowchart Prediksi
Adapun flowchart Prediksi adalah proses penetapan kelas hasil produksi kelapa sawit yang didapat dari data input ke jaringan. Berikut gambar 3.5 gambar flowchart
prediksi learning vector quantization.
Hitung jarak data xi dengan bobot ||X-W
j
||
wj= w
j
+ α x
i
- w
j
Bobot akhir Kelasi = j
Baca Xi
Temukan jarak terpendek Xi dengan bobot ditandai
indeks vektor bobot sebagai j No
Yes
Selesai wj= w
j
- α x
i
- w
j
Pengurangan nilai alfa: α = α – Dec α
I = n
i=i+1 i=1
Epoch = Epoch+1
α
≥
min α
A B
C
