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
24
Gambar 3.5 Flowchart Prediksi Learning Vector Quantization
3.6. Perhitungan Training
Pada perhitungan training produksi kelapa sawit data inputan sebanyak 48 data selama 4 tahun yakni tahun 2010, 2011, 2012, 2013. Pada kali ini penulis mengambil sampel
untuk untuk perhitungan training tahun produksi 2010. Dapat dilihat pada tabel 3.3 tabel produksi kelapa sawit tahun 2010. Diketahui 12 data tahun 2010 dengan variabel
yang digunakan sebagai parameter mulai dari tahun produksi, tahun tanam, bulan, umur tanaman, luas, jumlah pokok, jumlah hari panen, jumlah pupuk, jumlah produksi
sebelumnya dan sebagai outputnya yaitu kelas 1 sebagi prediksi produksi kelapa sawit rendah dan kelas 2 sebagai prediksi produksi kelapa sawit tinggi.
Tabel 3.3 Produksi kelapa sawit tahun 2010
No X1
X2 X3
X4 X5
X6 X7
X8 X9
Kelas 1
2010 2003 1
7 57
7766 113
44,410 1
2 2010 2003
2 7
57 7766
68 44655
36,970 1
3 2010 2003
3 7
57 7766
52 34947
26,930 1
Start
Masukkan input Bobot akhir
Hitung Jarak
Pilih neuron dengan jarak minimum
Selesai Penetapan
Kelas
25
Tabel 3.3 Produksi kelapa sawit tahun 2010 lanjutan
No X1
X2 X3
X4 X5
X6 X7
X8 X9
Kelas 4
2010 2003 4
7 57
7766 62
25,160 1
5 2010 2003
5 7
57 7766
195 23,110
1 6
2010 2003 6
7 57
7766 88
49,270 1
7 2010 2003
7 7
57 7766
87 54,590
1 8
2010 2003 8
7 57
7766 101
94,700 2
9 2010 2003
9 7
57 7766
76 72,080
1 10 2010 2003
10 7
57 7766
89 88,430
2 11 2010 2003
11 7
57 7766
96 31064
96,170 2
12 2010 2003 12
7 57
7766 99
75,210 1
Sepuluh inputan akan dijadikan input pembelajaran. Dapat dilihat pada tabel 3.4 tabel pembelajaran training.
Tabel 3.4 Tabel pembelajaran training
No X1
X2 X3
X4 X5
X6 X7
X8 X9
Kelas 1
2010 2003
2 7
57 7766
68 44655
36,970 1
2 2010
2003 3
7 57
7766 52
34947 26,930
1 3
2010 2003
4 7
57 7766
62 25,160
1 4
2010 2003
5 7
57 7766
195 23,110
1 5
2010 2003
6 7
57 7766
88 49,270
1 6
2010 2003
7 7
57 7766
87 54,590
1 7
2010 2003
8 7
57 7766
101 94,700
2 8
2010 2003
9 7
57 7766
76 72,080
1 9
2010 2003
11 7
57 7766
96 31064
96,170 2
10 2010
2003 12
7 57
7766 99
75,210 1
Dua inputan dengan kelas berbeda yakni kelas 1, dan 2 akan diinisialisasi sebagai bobot training. Dapat dilihat pada tabel 3.5 bobot training.