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

  Vol. 2, No. 1, Januari 2018, hlm. 217-225 http://j-ptiik.ub.ac.id

  

Optimasi Vektor Bobot Learning Vector Quantization Menggunakan

Algoritme Genetika untuk Penentuan Kualitas Susu Sapi

_{1 2 3} Karina Widyawati , Budi Darma Setiawan , Putra Pandu Adikara

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  1

  2

  3 Email: karin.narina@gmail.com, s.budidarma@ub.ac.id, adikara.putra@ub.ac.id

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

  penting bagi tubuh manusia (Suhartini & Aryani, 1.

   PENDAHULUAN 2014).

  Susu sapi sendiri memiliki lebih banyak Untuk memenuhi kebutuhan gizi tubuh, konsumen jika dibandingkan susu kambing atau manusia memerlukan makanan sehat yang bisa kerbau. Jika dilihat dari segi nutrisi, kandungan diperoleh dari berbagai sumber salah satunya pada susu sapi dan susu hewan lainnya tidak jauh hewan. Susu merupakan bahan pangan yang berbeda. Namun karena kebiasaan, banyaknya dihasilkan oleh hewan seperti sapi dan kambing. peternakan yang memproduksi susu sapi dan

  Susu sapi memiliki kandungan gizi tinggi dan mudah untuk membeli susu sapi membuat para lengkap karena di dalamnya terkandung zat-zat konsumen lebih memilih mengonsumsi susu sapi lengkap dan seimbang yaitu lemak, protein, daripada susu kambing atau kerbau. mineral, karbohidrat dan vitamin yang sangat

  Mengonsumsi susu sangat dianjurkan setiap

  Fakultas Ilmu Komputer Universitas Brawijaya

217 hari baik untuk orang dewasa maupun anak- anak. 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

  2. LANDASAN KEPUSTAKAAN

  2.3 KANDUNGAN KIMIA SUSU

  Di dalam susu terkandung campuran kompleks yang terdiri dari lemak, karbohidrat, protein, laktosa, mineral, vitamin dan garam- garam 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.

  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).

  2.2 KARAKTERISTIK SUSU SEGAR

  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

  2.1 SUSU Susu telah dikonsumsi hampir semua orang.

  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.

  Lactoscan . Alat tersebut dapat mengetahui

  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%.

  voltage sag (lengkungan tegangan), swell (pembesaran), outage, dan variasi frekuensi.

  Vektor bobot pada LVQ sangat penting dalam proses klasifikasi. Vektor bobot akan terus diperbarui hingga kondisi berhenti terpenuhi atau mencapai maksimal iterasi. Oleh 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

  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).

  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.

  kandungan kimiawi dari susu yang meliputi 7 parameter yaitu lemak (Fat), Solid Non Fat (SNF), Kekentalan (Density), Protein, Laktosa, Air dan Temperatur.

  Pada penelitian ini menggunakan 7 parameter untuk penentuan kualitas susu, antara lain (ST, 2009): Membentuk generasi baru Terdapat dua langkah yang digunakan untuk membentuk generasi baru yaitu crossover dan mutasi.

  b.

• 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

  = offspring gen ke-i = parent gen ke-i

  ′ = + ( − ) (2) Keterangan: ′

  = parent = nilai random dengan rentang -0.25-1.25 Misal cr 0,4 dengan nilai a (0,32; 0,1; 0,85;

  C = child atau offspring P

  yang mewakili setiap kelas. Contoh representasi kromosom dapat dilihat pada Tabel 1.

  crossover yang dihitung dengan persamaan:

  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.

  =

• (

  1

  2

  −

  1

• 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:

  r = bilangan random

  Air (Water) Kandungan air dalam susu berfungsi untuk melarutkan komponen-komponen yang dapat larut atau membentuk suspense.

  g.

  Density bisa disebut juga dengan massa jenis

  = nilai maksimum dari gen ke-i = nilai minimun dari gen ke-i

  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)

  susu. Jika kandungan susu semakin lengkap maka susu akan semakin kental.

  Keterangan:

  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.

  ) (1)

2.4 ALGORITME GENETIKA

  code dan setiap populasi memilik 3 kromosom

  random dan setiap populasi terdiri dari beberapa

  Membangkitkan populasi awal Penentuan populasi awal dilakukan secara

  Menurut Mery (2011) algoritme genetika memiliki siklus umum yang akan dijelaskan pada langkah-langkah berikut: a.

  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.

  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

  kromosom sebagai solusi awal. Pada penelitian ini, pengodean kromosom menggunakan real

  

Tabel 1 Representasi Kromosom

  1 1,98 7,56 21,35 2,44 4,01

  1 3,3 7,11 24,31 2,62 3,9 14,5

  23 W

  2 2,97 8,13 25,44 2,38 3,95 0,9

  26 W

  3 4,66 8,37 27,96 3,08 4,59

  20 Tabel 4 Contoh Hasil Offspring Individu Fat SNF Density Protein Lactosa Water Temperature

  W

  

1 2,86 6,57 23,47 1,91 3,38 34,98 18,68

  W

  

2 3,14 8,7 26,22 2,35 4,28 1,97 26,72

  W

  3 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

  W

  11

  Contoh Parent Kedua

  22 W

  2 3,77 7,43 25,33 2,76 4,11 9,2

  16 W

  3

  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 W

  1 1,98 7,56 21,35 2,44 4,11

  11

  22 W

  2 3,77 7,43 25,33 2,76 4,21 9,2

  16 W

  3 5 8,04 26,46 2,96 4,91 0,5

  Individu Fat SNF Density Protein Lactosa Water Temperature W

  17 Tabel 3

  Individu 1

  20 Individu 3 W

  Fat SNF Density Protein Lactosa Water Temperature

  W

  1 2,66 6,51 18,77 2,03 3,02 35,4

  17 W

  2 3,22 8,77 30,66 2,36 4,53

  2

  27 W

  3 4,18 8,36 30,16 3,18 4,81

  17 Individu 2 W

  1 3,3 7,11 24,31 2,62 3,9 14,5

  23 W

  2 2,97 8,13 25,44 2,38 3,95 0,9

  26 W

  3 4,66 8,37 27,96 3,08 4,59

  1 1,98 7,56 21,35 2,44 4,01

  3 4,18 8,36 30,16 3,18 4,81

  11

  22 W

  2 3,77 7,43 25,33 2,76 4,11 9,2

  16 W

  3

  5 8,04 26,46 2,96 4,71 0,5

  20 Tabel 2

  Contoh Parent Pertama

  Individu Fat SNF Density Protein Lactosa Water Temperature W

  1 2,66 6,51 18,77 2,03 3,02 35,4

  17 W

  2 3,22 8,77 30,66 2,36 4,53

  2

  27 W

  20

• Berhenti setelah beberapa generasi dengan nilai fitness tertinggi
• Berhenti pada generasi ke–n ketika nilai

  Keterangan: dec α: pengurang α yang ditentukan secara acak 4. Mengulangi langkah ke 3 jika <= minimum belum terpenuhi.

  = jarak data ke-i = data ke-i

  = vektor bobot 2) Memperbarui nilai Wj dengan syarat:

  a) Jika = maka

  ( ) = ( ) + ( − ( ))

  (5)

  b) Jika ≠ maka

  ( ) = ( ) − ( − ( ))

  (6) b. Mengurangi nilai selama kondisi berhenti belum terpenuhi dengan persamaan:

  α(baru) = α(lama) × dec α (7)

  5. Setelah melakukan proses pelatihan, selanjutnya akan didapatkan bobot akhir (W).

  2 =1

  Bobot tersebut akan digunakan untuk melakukan klasifikasi pada data baru.

  3 METODOLOGI

  3.1 DATA PENELITIAN

  Data kualitas susu sapi didapat dari skripsi sebelumnya yang berjudul “Pengklasifikasian Kualitas Susu Sapi Dengan Algoritme Fuzzy K-

  Nearest 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.

  X3 X7 | |X _{i – W 1} | | | |X _i

  F2 F3 Bobot

  Input Output

  (4) Keterangan:

  = √∑ ( − )

  ( , )

  learning rate (

  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.

  × 100% (3) d.

  = ℎ

  perubahan Nilai fitness yang digunakan adalah nilai akurasi. Berikut merupakan persamaan yang digunakan untuk menghitung nilai akurasi:

  fitness dari populasi tidak mengalami

  ), minimum . Nilai epoch dan berfungsi untuk menentukan batas ambang komputasi

  (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.

  3. Melakukan proses dibawah ini selama epoch

  < MaxEpoch atau

  = minimum a. Mengerjakan untuk i=1 sampai n

  1) Menghitung jarak hingga diperoleh jarak minimum, dimisalkan hasilnya sebagai nilai C ^j

  . Persamaan yang

  digunakan sebagai berikut:

2.5 LEARNING VECTOR QUANTIZATION

  (LVQ) Learning Vector Quantization

X1 X2

• – W
₂ | | | |X _i – W ₃ | | F1

  Gambar 1 Arsitektur LVQ

  Berdasarkan Gambar 2.1, prinsip kerjanya yaitu mengurangi node-node tetangganya (neighbour) sehingga hanya akan ada satu node

  output

  Menyiapkan data latih dan target 2. Menginisialisasi bobot (W), maksimum

  epoch , nilai learning rate (

  ), pengurang

  yang terpilih (winner node). Langkah- langkah proses perhitungan adalah sebagai berikut (Hariri, et al., 2015): 1.

  

3.2 OPTIMASI VEKTOR BOBOT LVQ individu yang lolos diambil sejumlah ukuran

MENGGUNAKAN ALGORITME

  populasi. Proses perhitungan AG akan berulang

  GENETIKA hingga syarat berhenti terpenuhi yaitu ketika

  mencapai generasi maksimum. Keluaran dari Gambar 2 menunjukkan alur AG-LVQ

  AG adalah satu vektor bobot yang memiliki nilai yang dimulai dengan proses membangkitkan akurasi terbaik. Selanjutnya, vektor bobot individu sejumlah ukuran populasi yang diambil tersebut akan digunakan dalam proses training secara random dari data. LVQ. Pada proses training, vektor bobot akan diperbarui hingga mencapai alpha minimum.

  Bobot paling baru dari hasil training akan

  Mulai

  digunakan untuk testing LVQ. Testing menghasilkan nilai akurasi dari keseluruhan

  Population size ,

  proses dan hasil klasifikasi kualitas susu untuk

  jmlgenerasi, cr, mr, setiap data. iterasi LVQ, , dec , minimum, dataset

  4 PENGUJIAN DAN ANALISIS Bangkitkan

  Pengujian yang dilakukan ada 2 jenis yaitu

  populasi awal

  pengujian LVQ dan pengujian Algoritme Genetika-LVQ. Pada pengujian LVQ, parameter

  Crossover &

  yang diuji adalah nilai laju pembelajaran dan

  Mutasi

  pengurang alpha. Untuk Algoritme Genetika- LVQ terdapat 4 jenis pengujian meliputi

  Evaluasi Akurasi

  pengujian jumlah population size, pengujian jumlah generasi, pengujian nilai kombinasi cr

  mr , pengujian nilai laju pembelajaran, pengujian Seleksi cross

  pengurang alpha, dan pengujian

  T validation .

  Parameter awal yang digunakan dalam

  i==jmlgener

  pengujian LVQ antara lain:

  asi a.

  Iterasi maksimum = 1000 b. Pengurang alpha = 0,3

  Y

• 17

  Alpha minimum = 10 c.

  Vektor bobot terbaik

  Parameter awal yang digunakan dalam pengujian AG-LVQ antara lain:

  LVQ a.

  Jumlah generasi: 25

  b. Mr: 0,7 Cr: 0,3 c.

  Iterasi maksimum: 1000

  Hasil klasifikasi, d. nilai akurasi Pengurang alpha: 0,3

  e. Laju Pembelajaran: 0,2

• 17

  f. Alpha minimum: 10 Selesai

  4.1 HASIL DAN ANALISIS NILAI LAJU Gambar 2 Alur AG-LVQ

PEMBELAJARAN LVQ

  Gambar 3 menunjukkan bahwa rata-rata Kemudian melakukan proses reproduksi akurasi pada pengujian kedua hingga kelima yaitu crossover dan mutasi untuk menghasilkan menghasilkan akurasi yang stabil dengan rata-

  offspring . Setelah itu semua individu akan

  rata 80%. Untuk pengujian keenam dan mengalami proses evaluasi dengan menghitung seterusnya mengalami penurunan. Apabila nilai nilai fitness untuk setiap individu. Nilai fitness laju pembelajaran terlalu kecil akan yang digunakan pada penelitian ini adalah nilai mengakibatkan konvergensi lebih cepat, akurasi. Dari nilai akurasi tersebut, individu sedangkan nilai laju pembelajaran yang terlalu akan mengalami proses seleksi. Individu dengan besar akan mengakibatkan divergen yang nilai akurasi tertinggi memiliki kemungkinan berpengaruh pada akurasi. Pada penelitian ini, untuk lolos ke generasi berikutnya. Jumlah nilai laju pembelajaran yang menghasilkan akurasi tertinggi sebesar 84% adalah 0,2 dan yang menghasilkan akurasi terendah sebesar 50,8% adalah 0,9.

  Gambar 3 Grafik Pengujian Laju Pembelajaran

  77,6

  86

  85

  Laju Pembelajaran Pengujian Nilai Laju Pembelajaran Akurasi

  90 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 A ku ra si

  80

  70

  60

  50

  78,8 76,4 61,6 50,8

  84 83,6 83,2 83,6

  86

  4.2 HASIL DAN ANALISIS PENGURANG ALPHA LVQ Gambar 4 Grafik Pengujian Pengurang

  87

  88

  10

  4.4 HASIL DAN ANALISIS PENGUJIAN

  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.

  Gambar 5 Grafik Pengujian Population Size

  20

  30

  40

  50 A ku ra si

  Population Size Pengujian Population Size Akurasi

  86,8 87,2 87,6 86,4

CR DAN MR AG-LVQ

  82

  87,2 86,8 86 86 86,8

  Akurasi

  A ku rasi cr dan mr Pengujian cr dan mr

  [0 ,9 ;0 ,1 ]

  ,8 ;0 ,2 ]

  [0 ,7 ;0 ,3 ] [0

  ,6 ;0 ,4 ]

  [0 ,5 ; 0, 5] [0

  ,4 ;0 ,6 ]

  [0 ,3 ; 0 ,7 ] [0

  ,2 ; 0, 8]

  88 [0 ,1 ; 0, 9] [0

  87

  86

  85

  86,4 86,4 86 86,8

  84

  Gambar 4 menunjukkan nilai rata-rata akurasi dari hasil pengujian nilai pengurang .

  86

  88 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 A ku ra si

  80

  81,6

  82,8 82,4 82 81,6

  85,6 85,2 84 83,6

  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).

  cr

  Gambar 6 menunjukkan nilai akurasi dari hasil pengujian kombinasi nilai cr mr. Jika nilai

  Gambar 6 Grafik Pengujian cr mr

  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 .

  4.3 HASIL DAN ANALISIS POPULATION

  update bobot sehingga hal tersebut juga akan mempengaruhi hasil akurasi.

  Pada grafik tersebut dapat dilihat bahwa rata-rata akurasi mulai pengujian kedua terus mengalami penurunan sehingga akurasi terbaik sebesar 85,6% dihasilkan oleh pengurang dengan nilai 0,1. Untuk akurasi terendah sebesar 81,6% dihasilkan oleh nilai 0,9. Pengurang alpha berpengaruh pada nilai alpha dalam proses

  Pengurang Pengujian Nilai Pengurang Akurasi

SIZE AG-LVQ

  4.5 HASIL DAN ANALISIS PENGUJIAN JUMLAH GENERASI LVQ-AG

  86,8 86,4

  Gambar 7 menunjukkan hasil akurasi dari jumlah generasi. Grafik tersebut mengalami peningkatan akurasi pada percobaan ketiga dan turun untuk percobaan selanjutnya.

  88 87,6 86,8

  84 83,6 82,4

  82

  50

  60

  70

  Generasi Pengujian Generasi Akurasi

  50 75 100 125 A ku rasi

  25

  85 85,5 86 86,5 87 87,5

  86

  80

  85,6

  90 100 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

  4.8 HASIL DAN ANALISIS PENGUJIAN

  Untuk percobaan keempat dan seterusnya, grafik mengalami penurunan dan akurasi terendah sebesar 82% dihasilkan oleh nilai pengurang 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.

  Gambar 9 Grafik Pengujian Pengurang

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

  4.7 HASIL DAN ANALISIS PENGUJIAN PENGURANG ALPHA LVQ-AG

  A ku ra si

  Pengurang Pengujian Nilai Pengurang Akurasi

  Gambar 8 menunjukkan nilai akurasi tertinggi diperoleh saat pengujian laju pembelajaran bernilai 0,6 yaitu dengan rata-rata akurasi 88.

  4.6 HASIL DAN ANALISIS PENGUJIAN NILAI LAJU PEMBELAJARAN AG- LVQ

  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.

  Gambar 7 Grafik Pengujian Jumlah Generasi

  86

CROSS VALIDATION

  80

  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.

  Data Akurasi Pengujian Cross Validation Akurasi

  90 Data 1 Data 2 Data 3 Data 4 Data 5 A ku ra si

  85

  80

  75

  70

  65

  80 72,432 80,452 76,456 88,9

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

  Gambar 10 Grafik Pengujian Cross Validation 86,4 86,4

  90 100 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

  83,6

  86

  86 84,8

  86

  88 84,8 66 53,2

  40

  60

  70

  Alpha Pengujian Laju Pembelajaran Akurasi

  A ku ra si

  50

  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 0,1, minimum 10

  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.

  Saleh, E., 2004. Dasar Pengolahan Susu dan Hasil Ikutan Ternak, s.l.: Fakultas Pertanian Universitas Sumatera Utara.

  Putri, N. R., 2012. Learning Vector Quantization Dengan Logika Fuzzy Untuk Pengenalan Wajah Berspektrum Cahaya Tampak Dengan Variasi Cahaya, Depok: Universitas Indonesia.

• 17

  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 .

  dan iterasi maksimum 1000 yang menghasilkan rata-rata akurasi 85,6%.

  IEE Transaction on, vol: 7, pp. 532-545.

  Wai-Ho, A., Chan, K. & Xin, Y., 2003. A novel evolusionary data mining algorithm with applications to churn prediction. Evolutionary Computation,

  Suhartini, R. & Aryani, D. I., 2014. Kategori Kualitas Susu Sapi Segar Secara Mikrobiologi Di Peternakan "X" Cisurupan - Garut. Jurnal Kesehatan Bakti Tunas Husada.

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

  Research Paper on Basic of Artificial Neural Network. ST,

  Sonali, M., Maind, B. & Wankar, M. P., 2014.

  C., 2002. Application of LVQ Neural Networks Combined with Genetic Algorithm in Power Quality Signals Classification, Shaanxi: School of Electrical Engineering.

  Sen, O., Zhengxiang, S., Jianhua, W. & Degui,

  Untuk pengujian AG-LVQ terdapat 6 jenis pengujian. Rata-rata akurasi terbaik sebesar 88% dihasilkan oleh population size 30, cr 0,5,

  DAFTAR PUSTAKA Ganidar, F. R., Dewi, C. & Regasari, R., 2015.

  mr

  Mery, H., 2011. Penerapan Algoritma Genetika pada Penjadwalan Mata Kuliah (Studi Kasus: Program Studi Matematika FMIPA Universitas Bengkulu).

  0,5, generasi 75, iterasi maksimum 1000, laju pembelajaran 0,6, dan pengurang 0,3. Untuk pengujian cross validation diperoleh nilai akurasi sebesar 88,9% yang dihasilkan oleh data

  Makassar: Universitas Hasanuddin. Mahmudy, W. F., 2013. Algoritma Evolusi.

  Pasteurisasi terhadap Pembentukan Curd Keju dengan Penambahan Sari Buah Markisa (Passiflora Edulis Sims).

  Learning Vector Quantization untuk Klasifikasi Abstrak Tesis. Citec Journal. Julmiati, 2002. Perbandingan Kualitas Susu

  Hariri, F. R., Ema, U. & Armadyah, A., 2015.

  Pengklasifikasian Mutu Susu Sapi Menggunakan Learning Vektor Quantization (LVQ) (Studi Kasus: UPT Laboratorium Kesehatan Hewan Malang), Malang: Universitas Brawijaya.

  Malang: Program Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya. Mayasari, D. & Listyana, L., 2014. Jaringan Saraf Tirutan, Yogyakarta: s.n.