BAB 3 METODOLOGI PENELITIAN

34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk memberikan informasi. Pola merupakan bentuk atau model yang dapat dipakai untuk membuat atau menghasilkan suatu bagian dari sesuatu yang ingin dikenal. Salah satu pendekatan pengenalan pola adalah dengan mneggunakan jaringan syaraf tiruan, yang mana jaringan syaraf tiruan memiliki cara kerja yang menyerupai cara kerja otak manusia. Salah satu metode jaringan syaraf tiruan adalah Learning Vector Quantiztion (LVQ), yang metode pelatihannya pada lapisan kompietitf terawasi yang akan belajar secara otamatis, untuk meningkatkan akurasi pembelajaran pada LVQ maka parameter-parameter algoritma genetika akan di-input-kan untuk pembentukkan vektor bobot awal pada LVQ. 3.2. Data yang Digunakan Untuk menganalisa akurasi pembelajaran pada jaringan syaraf tiruan LVQ menggunakan algoritma genetika pada pengenalan pola alfanumerik, data yang digunakan merupakan pola biner matriks 5 x 7, yang akan dibentuk ke dalam pola matriks biner berupa huruf kapital [A,, Z] dan angka [0, 9]. Jumlah data yang digunakan sebanyak 26 pola huruf alfabet dan 10 angka bertipe Arial dengan berbagai kondisi tertentu.

15 3.3. Analisa Data Analisa data pengenalan pola alfanumerik dengan pola matriks biner. Adapun tahapan pertama melakukan input data dan parameter jaringan, kemudian melakukan proses menggunakan metode jaringan syaraf tiruan Learning Vector Quantization (LVQ). Untuk menganalisa perbedaan akurasi pembelajaran dengan LVQ, dan dengan menggunakan algoritma, maka tahap kedua sebelum di-training dengan LVQ, terlebih dahulu inisialisasi vektor bobot awal LVQ dioptimalisasi dengan algoritma genetika. Untuk lebih jelas dapat dilihat pada Gambar 3.1 dan Gambar 3.2 berikut. Input Pola Matriks Input Tahap I LVQ Hitung Akurasi Pembelajaran Output Pola Matriks Output Gambar 3.1. Tahap I Pembelajaran dengan Learning Vector Quantization (LVQ) Gambar 3.1 menggambarkan proses pengenalan pola input matriks alfanumerik yang dilakukan dengan menggunakan jaringan syaraf tiruan metode LVQ secara umum. Dimana tahap ini akan diperoleh keluaran berupa pola matriks yang mnyerupai pola matriks input, sehingga dari beberapa jumlah pengenalan pola yang diuji dapat dihitung akurasi pembelajaran yang dilakukan dengan jaringan syaraf tiruan LVQ secara umum.

16 Input pola matriks alfanumerik Algoritma Genetika LVQ (Tentukan paramter jaringan) Hitung akurasi pembelajaran Output pola matriks alfanumerik Hitung fitness awal vektor bobot dan vektor input Seleksi (roulette wheel) Crossover (point to point) Mutasi Evaluasi fitness baru Gambar 3.2. Tahap II Pembelajaran Learning Vector Quantization (LVQ) dengan Menggunakan Algoritma Genetika Gambar 3.2 menggambarkan proses pengenalan pola matriks input alfanumerik yang dimana inisialisasi awal vektor bobot dan vektor input dilakukan dengan menggunakan algoritma genetika untuk memperoleh nilai yang optimal berdasarkan nilai fitness, selanjutnya vektor bobot dan vektor input baru akan diproses ke dalam LVQ secara umum sebagai pola matiks input. Dimana tahap ini akan diperoleh keluaran yang mnyerupai pola matriks input, sehingga dari beberapa jumlah pengenalan pola yang diuji dapat dihitung akurasi pembelajaran.

17 3.3.1. Learning Vector Quantization (LVQ) 3.3.1.1. Arsitektur Jaringan Arsitektur jaringan algoritma LVQ terdiri dari lapisan input (input layer), lapisan kompetitif (terjadi kompetisi pada input berdasarkan kedekatan jaraknya) dan lapisan output (output layer). Bobot yang menguhubungkan lapisan input dengan lapisan kompetitif. Proses pembelajaran merupakan metode jaringan syaraf tiruan supervised (terawasi) pada lapisan kompetitif. Input akan berkompetitif untuk dapat masuk ke dalam suatu kelas. Ada beberapa variabel dari vektor input dalam penelitian ini, yaitu XX = (XX 1, 2,XX 3,,XX 35 ) dengan neuron output T 1 dan T 2 serta n vektor bobot yaitu WW = (WW 11,WW 12,WW 13,,WW105). Adapun arsitektur jaringan pada algoritma LVQ seperti pada Gambar 3.3. Bobot W 11 X 1 W 12 W 13 X 2 W 21 Input vektor W 22 W T 1 X 23 3 W 31 Output vektor W 32 X 4 W T 2 33 W 41 W 42 W 43 Jarak.. W 35_1 W 35_2 X 35 Input Layer Competitive Layer Output Layer Gambar 3.3. Arsitektur Jaringan LVQ

18 3.3.1.2. Algoritma Learning Vector Quantization (LVQ) Pembelajaran pada metode LVQ, vektor input adalah pola matriks biner yang dibentuk berupa karakter alfanumerik. Misalnya pola matriks alfanumerik adalah sebagai berikut : Start Input pola matriks [A,...Z]; [0,..9] Parameter jaringan Training LVQ Recognition LVQ Hitung akurasi pembelajaran Akurasi pembelajaran End Gambar 3.4. Algoritma LVQ

19 Adapun tahapan proses pelatihan dengan metode LVQ adalah sebagai berikut: 1. Input pola matiks alfanumerik [A,, Z] dan [0,, 9], dan parameter jaringan LVQ. Setiap kelas (kelas 1, kelas 2, dan kelas 3) diambil pada salah satu array vektornya dan dijadikan sebagai inisialisasi bobot (w). Sedangkan array lainnya menjadi data masukan (X). Proses ini terlebih dahulu harus membuat inisialisasi bobot (w), iterasi maksimum (epoch), error minimum (eps), dan learning rate (α). Misalnya, ada 6 data dan target 3 kelas, dan menentukan parameter misalnya nilainilai awal yang ditentukan adalah sebagai berikut : Maksimum epoch = 100 Error minimum = 0,01 Learning rate (α) = 0,05 Pengurangan learning rate (α) = 0,1 Adapun input pola matriks alfanumerik seperti pada Tabel 3.1. dan Tabel 3.2. Tabel 3.1. Pola matriks input alfanumerik Pola Matriks Input Pola Matriks Input Pola Matriks Input 0 0 1 0 0 0 0 1 0 0 0 1 1 1 1 0 0 1 1 0 0 1 0 1 0 0 1 0 1 0 A1 1 1 1 1 1 A2 1 1 1 1 1 B1 1 1 1 1 0 0 0 0 0 1 1 0 1 0 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 0 0 1 1 1 1 1 0 0 0 0 B2 B3 C1 1 0 0 0 0 1 1 0 1 1 1 1 0 1 1 1 0 1 0 0 1 0 0 0 0

20 1 0 0 0 0 0 1 1 1 1 0 1 1 1 1 1 1 1 1 1 Tabel 3.2. Inisialisasi Bobot dan Data Input Proses Training LVQ Input Vektor Kelas A 1 00100001100101011111100011000110001 1 A 2 00100001100101011111100010000110101 1 B 1 01111100011000111110100011000101111 2 B 2 01111100011000111011100011000101111 2 B 3 01110100011000111011100011000101111 2 C 1 01111100001000010100100001000011111 3 Tiga input pertama akan dijadikan sebagai vektor bobot seperti pada Tabel 3.3 sebagai berikut: Tabel 3.3. Data Bobot Input Vektor Kelas A1 00100001100101011111100011000110001 1 B1 01111100011000111110100011000101111 2 C1 01111100001000010100100001000011111 3 Sedangkan tiga input sisanya akan digunakan sebagai data yang akan dilatih seperti pada Tabel 3.4. Tabel 3.4. Data Pelatihan Input Vektor Kelas A 2 00100001100101011111100010000110101 1 B 2 01111100011000111011100011000101111 2 B 3 01110100011000111011100011000101111 2

21 2. Pelatihan jaringan syaraf tiruan Learning Vector Quantization (LVQ). Setelah menentukan inisialisa vektor bobot (w), vektor input, dan parameter-parameter jaringan LVQ, maka untuk tahap pelatihan selanjutnya adalah sebagai berikut: a. Tahap ini dilakukan selama epoch masih lebih kecil dari maksimum epoch atau learning rate (α) masih lebih besar dari error minimum. b. Setiap jarak minimum pada data input (X) terhadap setiap data bobot (w) dengan rumus: nn CC jj = XX ii ww jjjj 2 ii=1 (3.1) Dengan menggunakan palgoritma LVQ berikut adalah perhitungan dari contoh di atas: a. Epoch 1 Data pelatihan untuk vektor input A 2 : [ 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 1, 0, 1] Dengan menggunakan persamaan (3,4), jarak pada bobot ke 1: = (0 0) 2 + (0 0) 2 + (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 1) 2 + (0 0) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + = 1.414 (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (0 1) 2

22 Jarak pada bobot ke 2: = (0 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 0) 2 + (1 0) 2 + (1 0) 2 + (0 1) 2 + (0 1) 2 + (1 0) 2 + (0 0) 2 + (1 0) 2 + (0 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 0) 2 + = 4 (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 Jarak pada bobot ke 3: = (0 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 0) 2 + (1 0) 2 + (1 0) 2 + (0 0) 2 + (0 1) 2 + (1 0) 2 + (0 0) 2 + (1 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (1 1) 2 + (1 0) 2 + (1 0) 2 + = 1,416 (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 0) 2 + (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 0) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 Maka, diperoleh: Jarak terkecil pada bobot ke 1 (J = 1) Target data A 2 = 1 (T = 1) Karena T = J, maka perbaikkan vektor bobotke 1 menggunakan persamaan (3.2): ww jj (nnnnnn ) = ww jj (oooooo ) + αα xx ww jj (oooooo ) ww 11 = ww 11 + αα[xx 11 ww 11 ] = 0 + 0.05(0 0) = 0

23 Sehingga vektor bobot ke 1 : A 1(new) = [ 0 0 1 0 0 0 0 1 1 0 0 1 0 1 1 1 1 1 1 1 1 0 0.1 0 1] Untuk data selanjutnya dilakukan seperti tahapan di atas, yang mana dapat dilihat pada Tabel 3.5 untuk epoch 1: Tabel 3.5. Perhitungan data berikutnya untuk epoch ke 1. Data vektor input B 2 Jarak Bobot Bobot ke-1 3.988 Bobot ke-2 1.414 Bobot ke-3 3 Jarak bobot terkecil 1.411 Perubahan pada vektor bobot ke-2 0 1 1 1 1 1 1 1 1 0.1 Jarak terkecil pada bobot ke-2, J = 2 Target data ke-5 = 2 (T = 2) Karena T = J, ww jj(nnnnnn) = ww jj(oooooo) + αα xx ww jj(oooooo) 0 1 1 1 1

24 Data vektor input B 3 Jarak Bobot Jarak terkecil pada bobot ke-2, Bobot ke-1 3.860699418 Bobot ke-2 1.674813422 J = 2 Target data ke-6 = 2 (T = 2) Tabel 3.5. Perhitungan data berikutnya untuk epoch ke 1. (Lanjutan) Bobot ke-3 3.16227766 Jarak bobot terkecil 1.674813422 Karena T = J ww jj(nnnnnn) = ww jj(oooooo) + αα xx ww jj(oooooo) 0 1 1 1 1 Perubahan pada vektor bobot ke-2 1 1 0.9 1 0.1 0 1 1 1 1

25 3. Menghitung akurasi pembelajaran. Dari proses pengenalan pola dengan menggunakan jaringan syaraf tiruan Learning Vector Quantization (LVQ) dengan menggunakan algoritma genetika, dapat dianalisa dengan menggunakan persamaan berikut : % aaaaaaaaaaaaaa = JJJJ h pppppppp yyyyyyyy dddddddddddddddd bbbbbbbbbb JJJJ h pppppppp yyyyyyyy dddddddddd 100%..(3.2) Dengan menggunakan 20 data uji untuk setiap karakter alfanumerik, dan pola matriks alfanumerik yang dikenal adalah 15 pola, maka dengan menggunakan persamaan di atas dapat dihitung akurasi pembelajarannya: % aaaaaaaaaaaaaa = 15 100% = 75% 20

26 3.3.2. Pembelajaran LVQ dengan Algoritma Genetika Adapun algoritma analisis akurasi pembelajaran LVQ dengan menggunakan algoritma genetika adalah sebagai berikut: Start Input pola matriks [A,...Z]; [0,..9] Parameter jaringan Hitung fitness bobot vektor Optimal? No Selection Crossover Mutasi Yes Vektor bobot yang telah diproses dengan algoritma genetika Training LVQ Recognition LVQ Akurasi Pembelajaran Hitung akurasi pembelajaran End Gambar 3.5. Pembelajaran LVQ dengan Menggunakan Algoritma Genetika

27 1. Tetapkan vektor bobot (w) dan vektor input (x). 2. Pembentukkan parameter algoritma genetika, adalah sebagai berikut: a. Pembentukkan populasi yang diambil dari data pelatihan. Proses inisialisasi populasi awal dilakukan dengan cara memberikan nilai awal gen. Misalkan ditentukan jumlah populasi adalah 6 kromosom di mana dalam 1 kromosom terdapat 35 gen yang mewakili satu data pelatihan. Dimana terlebih dahulu dihitung nilai fitness suatu indifidu, diasumsikan biner 1 sebagai gen terbaik: ffffffffffffff = JJJJ h bbbbbbbbbb 1 dddddddddd ssssssss kkkkkkkkkkkkkkkk TTTTTTTTTT jjjj h bbbbbbbbbb 1 pppppppp ssssssssss kkkkkkkkkkkkkkkk.(3.3) Misal untuk kromosom A 1 jumlah biner 1 = 16 dan total biner 1 untuk semua kromosom 106, sehingga fitness untuk kromosom A1 : ffffffffffffff = 16 106 = 0.1509434 Maka, pembentukkan populasi awal dengan nilai fitness terbaik dapat dilihat pada Tabel 3.6. Tabel 3.6. Pembentukkan populasi awal Kromosom Gen Jlh Biner 1 Fitness Kromosom A 1 00100 00110 01010 11111 10001 10001 10001 16 0.1509434 Kromosom A 2 00100 00110 01010 11111 10001 00001 10101 16 0.1509434 Kromosom B 1 01111 10001 10001 11110 10001 10001 01111 20 0.18867925 Kromosom B 2 01111 10001 10001 11011 10001 10001 01111 20 0.18867925 Kromosom B 3 01110 10001 10001 11011 10001 10001 01111 19 0.17924528 Kromosom C 1 01111 10000 10000 10100 10000 10000 11111 15 0.14150943 Total Biner 1 Pada Semua Kromosom 106 1

28 b. Selection, proses seleksi dilakukan dengan cara membuat kromosom yang mempunyai fungsi objektif kecil mempunyai kemungkinan terpilih memiliki nilai probabilitas yang tinggi. Metode seleksi yang digunakan adalah roulette wheel selection. c. Crossover, untuk menghasilkan kromosom baru yang mewarisi sifat-sifat induknya. Kromosom baru berasal dari dua kromosom induk yang disilangkan. Pada proses ini menggunakan teknik point to point crossover di mana teknik ini akan melakukan persilangan pada dua titik yang ditentukan secara acak dan proses persilangan dilakukan pada seluruh kromosom yang terdapat pada individu secara acak. Kemudian dilakukan pemilihan pasangan kromosom yang akan di crossover untuk seluruh kromosom. Adapun contoh yang dapat diberikan dengan melanjutkan contoh pada proses seleksi, dapat dilihat pada Tabel 3.7 dan 3.8. d. Mutasi, pada penelitian ini digunakan meotde swapping mutation, yaitu proses pertukaran satu atau beberapa nilai gen di dalam kromosom. Jumlah kromosom yang mengalami mutasi dalam satu populasi ditentukan oleh parameter mutation rate, dimana proses ini dilakukan dengan cara menggantikan satu gen yang terpilih secara acak (random) dengan nilai baru yang didapat juga secara acak. Berikut adalah beberapa tahap proses mutasi: 1. Hitung panjang total gen yang ada dalam satu populasi. PPPPPPPPPPPPPP tttttttttt gggggg = JJJJh tttttttttt gggggg JJJJh pppppppppppppppp.. (3.4) Data yang diambil hasil dari proses crossover: PPPPPPPPPPPPPP tttttttttt gggggg = 36 6 = 216 2. Hitung jumlah gen yang dimutasi dari jumlah kromosom beberapa populasi. Misal mutation rate (P m ) ditentukan 0.01 maka diharapkan ada 0.01 dari total gen yang mengalamai mutasi pada populasi tersebut: JJJJJJJJJJh gggggg yyyyyyyy dddddddddddddddd = PP mm PPPPPPjjjjjjjj tttttttttt gggggg.. (3.5) JJJJJJJJJJh gggggg yyyyyyyy dddddddddddddddd = 0.01 216 = 2.16

29 Maka jumlah gen yang akan dimutasi adalah 2 gen dari populasi yang dibentuk. 3. Proses mutasi pada panjang total gen dapat dilihat pada Tabel 3.9 Tabel 3.7 Proses crossover data pelatihan Crossover Parent 1 Parent 2 A 1 X B 1 A 2 X B 2 B 3 X C 1 00100 00110 01010 11111 10001 10001 10001 00100 00110 01010 11111 10001 00001 10101 01110 10001 10001 11011 10001 10001 01111 01111 10001 10001 11110 10001 10001 01111 01111 10001 10001 11011 10001 10001 01111 01111 10000 10000 10100 10000 10000 11111 Sehingga diperoleh generasi baru dari proses crossover tersebut: Tabel 3.8 Generasi baru yang dibentuk dari crossover Kromosom Baru Kromosom A 1 Kromosom A 2 Kromosom B 1 Kromosom B 2 Kromosom B 3 Kromosom C 1 Gen 01111 10001 01010 11111 10001 10001 01111 01111 10001 01010 11111 10001 10001 01111 00100 00110 10001 11110 10001 10001 10001 00100 00110 10001 11011 10001 00001 10101 01111 10000 10001 11011 10001 10000 11111 01110 10001 10000 10100 10000 10001 01111 Fitness 0.198113 0.198113 0.141509 0.141509 0.179245 0.141509

30 Proses mutasi pada panjang total gen adalah sebagai berikut : Tabel 3.9 Generasi baru yang dibentuk dari mutasi Kromosom Baru Kromosom A 1 Kromosom A 2 Kromosom B 1 Kromosom B 2 Kromosom B 3 Kromosom C 1 Gen Gen Baru Fitness 01111 10001 01010 11111 10001 10001 01111 01111 10001 01010 11111 10001 10001 01111 00100 00110 10001 11110 10001 10001 10001 00100 00110 10001 11011 10001 00001 10101 01111 10000 10001 11011 10001 10000 11111 01110 10001 10000 10100 10000 10001 01111 01111 10001 01010 11111 10001 10001 01111 01111 10001 01010 11111 10001 10001 01111 00100 01110 10001 11110 10001 10001 10001 00100 00110 10001 11011 10001 01001 10101 01111 10000 10001 11011 10001 10000 11111 01110 10001 10000 10100 10000 10001 01111 0.194 0.194 0.148 0.148 0.175 0.139 Setelah dibentuknya inisialisasi vektor bobot dan vektor input dengan menggunakan algoritma genetika, maka vektor bobot dan vektor input dimasukkan ke dalam pelatihan LVQ. Adapun tahapan proses pelatihan dengan metode LVQ sama halnya dengan tahap sebelumnya adalah sebagai berikut: 1. Sama halnya dengan proses training dengan metode jaringan syaraf tiruan LVQ yang sebelumnya, Input pola matiks alfanumerik [A,, Z] dan [0,, 9], dan parameter jaringan LVQ. Setiap kelas (kelas 1, kelas 2, dan kelas 3) diambil pada salah satu array vektornya dan dijadikan sebagai inisialisasi bobot (w). Sedangkan array lainnya menjadi data masukan (X). Proses ini terlebih dahulu harus membuat inisialisasi bobot (w), iterasi maksimum (epoch), error minimum (eps), dan learning rate (α). Misalnya, ada 6 data dan target 3 kelas, dan menentukan parameter misalnya nilai-nilai awal yang ditentukan adalah sebagai berikut :

31 Maksimum epoch = 100 Error minimum = 0,01 Learning rate (α) = 0,05 Pengurangan learning rate (α) = 0,1 Tabel 3.10. Inisialisasi Bobot dan Data Input Proses Training LVQ Input Vektor Kelas A 1 01111 10001 01010 11111 10001 10001 01111 1 A 2 01111 10001 01010 11111 10001 10001 01111 1 B 1 00100 01110 10001 11110 10001 10001 10001 2 B 2 00100 00110 10001 11011 10001 01001 10101 2 B 3 01111 10000 10001 11011 10001 10000 11111 2 C 1 01110 10001 10000 10100 10000 10001 01111 3 Tiga input pertama akan dijadikan sebagai vektor bobot seperti pada Tabel 3.11 sebagai berikut: Tabel 3.11 Data Bobot Input Vektor Kelas A 1 01111 10001 01010 11111 10001 10001 01111 1 B 1 01111 10001 01010 11111 10001 10001 01111 2 C 1 00100 01110 10001 11110 10001 10001 10001 3 Sedangkan tiga input sisanya akan digunakan sebagai data yang akan dilatih seperti pada Tabel 3.12.

32 Tabel 3.12. Data Pelatihan Input Vektor Target A 2 00100 00110 10001 11011 10001 01001 10101 1 B 2 01111 10000 10001 11011 10001 10000 11111 2 B 3 01111 10000 10000 10100 10000 10000 01111 2 2. Setelah menentukan inisialisa vektor bobot (w), vektor input, dan parameterparameter jaringan LVQ, maka untuk tahap pelatihan selanjutnya adalah sebagai berikut: a. Tahap ini dilakukan selama epoch masih lebih kecil dari maksimum epoch atau learning rate (α) masih lebih besar dari error minimum. b. Setiap jarak minimum pada data input (X) terhadap setiap data bobot (w) dengan rumus: CC jj = nn XX ii ww jjjj 2 ii=1 Dengan menggunakan palgoritma LVQ berikut adalah perhitungan dari contoh di atas: Epoch - 1 Data pelatihan untuk vektor input A 2 : [ 0 1 1 1 1 0 1 0 1 0 1 1 1 1 1 0 1 1 1 1]

33 Dengan menggunakan persamaan (3,4), jarak pada bobot ke 1: = (0 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (0 0) 2 + (1 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + = 0 (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (0 1) 2 Jarak pada bobot ke 2: = (0 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 0) 2 + (1 0) 2 + (1 0) 2 + (0 1) 2 + (0 1) 2 + (1 0) 2 + (0 0) 2 + (1 0) 2 + (0 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 0) 2 + = 4 (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 Jarak pada bobot ke 3: = (0 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 0) 2 + (1 0) 2 + (1 0) 2 + (0 0) 2 + (0 1) 2 + (1 0) 2 + (0 0) 2 + (1 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (1 1) 2 + (1 0) 2 + (1 0) 2 + = 2.8284 (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 0) 2 + (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 0) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 Maka, diperoleh: Jarak terkecil pada bobot ke 1 (J = 1) Target data A 2 = 1 (T = 1) Karena T = J, maka perbaikkan vektor bobotke 1 menggunakan persamaan (3.2):

34 ww jj (nnnnnn ) = ww jj (oooooo ) + αα xx ww jj (oooooo ) ww 11 = ww 11 + αα[xx 11 ww 11 ] = 0 + 0.05(0 0) = 0 Sehingga vektor bobot ke 1 : A 1(new) = [ 0 1 1 1 1 0 1 0 1 0 1 1 1 1 1 0 1 1 1 1] Untuk data selanjutnya dilakukan seperti tahapan di atas, yang mana dapat dilihat pada Tabel 3.13 untuk epoch 1: Tabel 3.13. Perhitungan data berikutnya untuk epoch ke 1. Data vektor input B 2 Jarak Bobot Bobot ke-1 4 Bobot ke-2 0 Bobot ke-3 3.7416 Jarak bobot terkecil 0 Perubahan pada vektor bobot ke-2 0 0 1 0 0 Jarak terkecil pada bobot ke-2, J = 2 Target data ke-5 = 2 (T = 2) Karena T = J, ww jj(nnnnnn) = ww jj(oooooo) + αα xx ww jj(oooooo)

35 1 0 1 1 0 1 1 1 1 0 Data vektor input B 3 Jarak Bobot Bobot ke-1 2.82842712 Bobot ke-2 3.46410162 Bobot ke-3 3.16227766 Jarak bobot terkecil 2.82842712 0 1 1 1 1 Jarak terkecil pada bobot ke-2, J = 2 Target data ke-6 = 1 (T = 1) Karena T J Perubahan pada vektor bobot ke-2 0.1 0 0 0 0.1 1 1 1 1 1 ww jj(nnnnnn) = ww jj(oooooo) αα xx ww jj(oooooo) 0.1 1 1 1 1 3. Menghitung akurasi pembelajaran. Sama halnya dengan tahap I dengan menggunakan jaringan syaraf tiruan Learning Vector Quantization (LVQ). Proses pengenalan pola dengan menggunakan jaringan syaraf tiruan Learning Vector Quantization (LVQ) dengan menggunakan algoritma genetika, dapat dianalisa dengan menggunakan persamaan (3.2). Misal, pengenalan

36 pola dengan menggunakan 20 data uji untuk setiap karakter alfanumerik, dan pola matriks alfanumerik yang dikenal adalah 17 pola, maka dengan menggunakan persamaan di atas dapat dihitung akurasi pembelajarannya: % aaaaaaaaaaaaaa = 17 100% = 85% 20

37 BAB 4 HASIL DAN PEMBAHASAN 4.1. Pendahuluan Proses pengujian dilakukan untuk mengetahui akurasi pembelajaran Learning Vector Quantization (LVQ) dengan menggunakan algoritma genetika pada pengenalan pola alfanumerik. Pada penelitian ini ditampilkan hasil dari akurasi pembelajaran yang dihasilkan dari bobot vektor dengan menggunakan algortima genetika yang mana bobot vektor tersebut akan dimasukkan kembali ke dalam embelajaran jaringan syaraf tiruan Learning Vector Quantization (LVQ). Penyajian hasil pengujian akan ditampilkan dalam bentuk table dan grafik. 4.2. Hasil Penelitian 4.2.1. Pengujian Akurasi Pembelajaran Learning Vector Quantization (LVQ) Pada Pengenalan Pola Alfanumerik Untuk melakukan pembelajaran pada pengenalan pola alfanumerik, terlebih dahulu memenentukan bobot vektor (w), iterasi maksimum (epoch maksimum), error minimum (eps), dan learning rate (α). Pengujian berhenti apabila learning rate (α) mencapai nilai yang cukup kecil. Proses pelatihan dilakukan degan menggunakan data sebanyak 720 karakter, dengan pola biner berupa pola alfanumerik, yang terdiri dari alpabet capital [A Z] dan numeric [0 9]. Dari data tersebut diubah ke dalam pola matrik yang mana terdiri dari biner 0 dan 1. Hasil pengenalan pola ditunjukkan pada Tabel-4.1.

Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ Input Input Karakter Pola Matriks Karakter Pola Matriks 0 0 1 0 0 1 1 1 1 1 0 1 0 1 0 1 0 0 0 0 0 1 0 1 0 1 0 0 0 0 A B C D 1 1 1 1 1 15 E 1 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 0 10 1 1 1 1 0 F 1 0 0 0 0 1 0 0 0 0 1 1 1 1 0 1 0 0 0 0 0 1 1 1 1 0 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 10 G 1 0 1 1 1 1 0 0 0 0 1 0 0 0 0 0 1 1 1 1 0 1 1 1 0 1 1 1 1 0 17 H 1 1 1 1 1 1 1 1 1 0 13 16 18 13

Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ (Lanjutan 1) Input Input Karakter Pola Matriks Karakter Pola Matriks I J K L 0 1 1 1 0 0 0 1 0 0 1 1 0 1 1 0 0 1 0 0 1 0 1 0 1 0 0 1 0 0 18 M 1 0 1 0 1 0 0 1 0 0 0 0 1 0 0 0 1 1 1 0 1 1 1 1 1 0 0 0 0 1 1 1 0 0 1 0 0 0 0 1 1 0 1 0 1 0 0 0 0 1 8 N 1 0 0 1 1 0 0 0 0 1 0 1 1 1 0 0 1 1 1 0 1 0 0 1 0 1 0 1 0 0 1 9 O 1 0 1 0 0 1 0 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 20 P 1 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 0 0 0 0 13 16 6 14

Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ (Lanjutan 2) Input Input Karakter Pola Matriks Karakter Pola Matriks Q R S T 0 1 1 1 0 18 U 1 0 1 0 1 1 0 0 1 1 0 1 1 1 1 0 1 1 1 0 1 1 1 1 0 14 V 1 1 1 1 0 0 1 0 1 0 0 0 1 0 0 0 1 1 1 1 1 0 0 0 0 1 0 0 0 0 0 1 1 1 0 18 W 0 0 0 0 1 1 0 1 0 1 0 0 0 0 1 1 0 1 0 1 1 1 1 1 1 0 1 0 1 0 1 1 1 1 1 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 10 X 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 10 19 10 18

Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ (Lanjutan 3) Input Input Karakter Pola Matriks Karakter Pola Matriks 1 1 1 0 0 0 1 0 Y Z 0 1 0 1 0 1 0 10 2 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 1 0 0 10 3 0 1 1 1 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 14 4 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 0 0 0 0 1 0 0 1 0 0 1 1 1 1 1 0 1 1 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 2 5 1 1 1 1 0 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 1 0 2 16 13 12

Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ (Lanjutan 4) Input Input Karakter Pola Matriks Karakter Pola Matriks 0 1 1 1 0 0 1 1 1 0 1 0 0 0 0 8 6 1 1 1 1 0 9 8 0 1 1 1 0 0 1 1 1 0 0 1 1 1 0 1 1 1 1 1 0 1 1 1 0 0 0 0 0 1 0 0 0 0 1 7 0 0 0 1 0 8 9 0 1 1 1 1 9 0 0 1 0 0 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 0 1 1 1 0 Total yang dikenali dengan menggunakan LVQ secara umum: 465 karakter Sehingga dengan menggunakan persamaan (3.5), persentase akurasi pembelajarannya adalah 65%. Dari Tabel 4.1 di atas, dengan menetapkan nilai iterasi maksimum (epoch maksimum) = 100, error minimum (eps) = 0.01, dan learning rate (α) = 0.05. Maka diperoleh hasil total pengenalan pola alfanumerik yang dikenali adalah 738 karakter Sehingga dengan menggunakan persamaan (3.5), persentase akurasi pembelajarannya adalah 65%.

25 Pengujian Pengenalan Pola Alfanumerik dengan Learning Vector Quantization (LVQ) 20 15 10 5 0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930313233343536 Gambar 4.1. Grafik Pengujian Pengenalan Pola Alfanumerik dengan Learning Vector Quantization (LVQ) 4.2.2. Hasil Pengujian Akurasi Pembelajaran Learning Vector Quantization (LVQ) Menggunakan Algoritma Genetika Pada Pengenalan Pola Alfanumerik Untuk melakukan pembelajaran pada pengenalan pola alfanumerik dengan memasukkan parameter algoritma genetika ke dalam metode jaringan syaraf tiruan Learning Vector Quantization, terlebih dahulu memenentukan bobot vektor (w). Bobot vektor (w) diambil dari pola matriks yang dibangkitkan dari pola matriks LVQ, yang akan dijadikan input pada algoritma genetika. Pembentukkan parameter algoritma genetika yang dibentuk dibentuk dari bobot vektor LVQ, maka parameter-parameter algoritma genetika adalah sebagai berikut: 3. Tetapkan vektor bobot (w) dan vektor input (x). 4. Pembentukkan parameter algoritma genetika, adalah sebagai berikut: a. Jumlah populasi = 36 kromosom, 1 kromosom terdapat 35 gen. b. Selection, proses seleksi dilakukan dengan cara roulette wheel selection. c. Crossover, probabilitas crossover (P c ) = 0.5. d. Mutasi, probabilitas mutasi (Pm) = 0.001.

Dengan menggunakan parameter di atas,dilakukan pengejuain sebanyak 20 kali untuk melihat nilai fitness terbaik dari vektor bobot tersebut. Selanjutnya, jika nilai fitness yang dihasilkan dengan algoritma genetika optimal dari pada sebelumnya, maka vektor bobot baru algoritma genetika akan dimasukkan sebagai vektor bobot LVQ, tetapi jika vektor bobot algoritma genetika tidak ada perubahan atau tidak optimal daripada sebelumnya maka dilakukan proses algoritma genetika kembali sampai iterasi 100. Selanjutnya, vektor bobot yang telah optimal dengan menggunakan algoritma genetika, maka ditentukan kembali tahap jaringan syaraf tiruan metode LVQ dengan menentukan iterasi maksimum (epoch maksimum), error minimum (eps), dan learning rate (α). Pengujian berhenti apabila learning rate (α) mencapai nilai yang cukup kecil. Proses pelatihan dilakukan degan menggunakan data sebanyak 720 karakter pola biner berupa pola alfanumerik, yang terdiri dari alpabet capital [A Z] dan numeric [0 9]. Dari data tersebut diubah ke dalam pola matriks yang mana terdiri dari biner 0 dan 1. Hasil pengenalan pola ditunjukkan pada Tabel 4.2. Tabel 4.2. Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika Input Input Karakter Pola Matriks Karakter Pola Matriks 0 0 1 0 0 1 1 1 1 0 0 1 0 1 0 0 1 0 1 0 A 1 1 1 1 1 18 B 1 1 1 1 0 19 1 1 1 1 0

Tabel 4.2. Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika (Lanjutan 1) Input Input Karakter Pola Matriks Karakter Pola Matriks 0 1 1 1 1 0 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 C 1 0 0 0 0 10 G 1 0 1 1 1 1 0 0 0 0 1 0 0 0 0 0 1 1 1 1 0 1 1 1 0 1 1 1 1 0 D 17 H 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 E 1 1 1 1 0 14 I 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 1 1 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 F 1 1 1 1 0 16 J 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 1 0 0 0 0 1 0 0 0 0 0 1 1 1 0 16 15 15 14

Tabel 4.2. Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika (Lanjutan 2) Input Input Karakter Pola Matriks Karakter Pola Matriks 0 1 1 1 0 1 0 0 1 0 1 0 1 0 0 K 1 1 0 0 0 20 O 1 0 1 0 0 1 0 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 1 1 0 1 0 0 0 0 1 0 0 0 0 L 1 0 0 0 0 19 P 1 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 1 1 1 0 1 1 0 1 1 1 0 1 0 1 M 1 0 1 0 1 15 Q 1 0 1 0 1 1 0 0 1 1 0 1 1 1 1 1 1 1 1 0 1 1 0 0 1 1 0 1 0 1 R N 1 0 0 1 1 16 1 1 1 1 0 0 1 1 1 0 14 16 12 18

Tabel 4.2. Karakter S T U V Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika (Lanjutan 3) Input Input Pola Matriks Karakter Pola Matriks 0 1 1 1 1 1 0 0 0 0 1 0 0 0 0 0 1 1 1 0 10 W 0 0 0 0 1 1 0 1 0 1 0 0 0 0 1 1 0 1 0 1 1 1 1 1 1 0 1 0 1 0 1 1 1 1 1 0 0 1 0 0 0 0 0 1 0 4 X 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 15 Y 0 1 0 1 0 0 1 1 0 0 0 0 1 0 0 0 1 1 0 0 1 1 1 1 1 0 0 0 0 1 0 0 0 1 0 14 Z 0 0 1 0 0 0 1 0 1 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0 0 1 1 1 1 1 19 18 19 10

Tabel 4.2. Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika (Lanjutan 4) Input Input Karakter Pola Matriks Karakter Pola Matriks 1 1 1 1 1 0 16 4 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 0 0 0 0 1 0 0 1 0 0 1 1 1 1 1 0 1 1 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0 5 5 1 1 1 1 0 0 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 1 1 1 0 1 1 1 1 0 1 1 1 0 1 1 1 0 0 0 0 1 0 1 0 0 0 0 2 0 0 1 0 0 6 6 1 1 1 1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 1 1 0 1 1 1 0 0 1 1 1 0 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 3 0 1 1 1 0 11 7 0 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 0 1 1 1 0 1 0 0 0 0 8 9 1 8

Tabel 4.2. Karakter Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika (Lanjutan 5) Input Input Pola Matriks Karakter Pola Matriks 0 1 1 1 0 0 1 1 1 0 8 0 1 1 1 0 8 9 0 1 1 1 1 8 0 0 0 0 1 0 1 1 1 0 0 1 1 1 0 Total yang dikenali dengan menggunakan LVQ secara umum: 474 karakter Sehingga dengan menggunakan persamaan (3.5), persentase akurasi pembelajarannya adalah 66%. Dari tabel 4.2 di atas, dengan menggunakan algoritma genetika sebagai bobot vektor yang selanjutnya bobot vektor tersebut akan digunakkan ke dalam LVQ, dan menetapkan nilai iterasi maksimum (epoch maksimum) = 100, error minimum (eps) = 0.01, dan learning rate (α) = 0.05. Maka diperoleh hasil total pengenalan pola alfanumerik yang dikenali adalah 474 karakter Sehingga dengan menggunakan persamaan (3.5), persentase akurasi pembelajarannya adalah 66%.

25 Pengujian Pengenalan Pola Alfanumerik Learning Vector Quantization (LVQ) dengan Menggunakan Algoritma Genetika 20 15 10 5 0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930313233343536 Gambar 4.2. Grafik Pengujian Pengenalan Pola Alfanumerik Learning Vector Quantization (LVQ) deng Menggunakan Algoritma Genetika 4.3. Pembahasan Penelitian Pada table 4.3 dan gambar 4.3, menyajikan perbedaan akurasi pembelajaran LVQ secara umum dan akurasi pembelajaran LVQ dengan menggunkan algoritma genetika. Dimana parameter-parameter yang digunakan adalah sebagai berikut : 1. Learning Vector Quantization (LVQ) Learning rate (α) = 0.05 Epoch maksimum = 100 Error minimum = 0.01 Pengurangan learning rate (α) = 0.1 x α 2. Algoritma Genetka Populasi = 36 Jumlah kromosom dalam 1 gen = 35 Probabiliti crossover (Pc) = 0.5 Probabilitas mutasi (Pm) = 0.001

Tabel 4.3. Akurasi Pembelajaran LVQ dan LVQ dengan Menggunakan Algoritma Genetika LVQ Genetika - LVQ Akurasi Karakter Akurasi Akurasi Pembelajaran Pembelajaran A 15 75% 18 90% B 10 50% 19 95% C 10 50% 10 50% D 17 85% 17 85% E 13 65% 14 70% F 16 80% 16 80% G 18 90% 16 80% H 13 65% 15 75% I 18 90% 15 75% J 8 40% 14 70% K 19 95% 20 100% L 20 100% 19 95% M 13 65% 15 75% N 16 80% 16 80% O 6 30% 14 70% P 14 70% 16 80% Q 18 90% 12 60% R 14 70% 18 90% S 18 90% 10 50% T 10 50% 4 20% U 10 50% 15 75% V 19 95% 14 70% W 19 95% 19 95%

Tabel 4.3. Akurasi Pembelajaran LVQ dan LVQ dengan Menggunakan Algoritma Genetika (Lanjutan) LVQ Genetika-LVQ Karakter Akurasi Akurasi Pembelajaran Pembelajaran Z 18 90% 18 90% Y 10 50% 19 95% Z 10 50% 10 50% 0 14 70% 16 80% 1 2 10% 5 25% 2 2 10% 6 30% 3 16 80% 11 55% 4 13 65% 8 40% 5 12 60% 9 45% 6 9 45% 1 5% 7 8 40% 8 40% 8 8 40% 9 45% 9 9 45% 8 40% 40 35 30 25 20 15 10 5 0 Akurasi Pembelajaran LVQ dan LVQ Menggunakan Algoritma Genetika 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930313233343536 LVQ Genetika Gambar 4.3. Akurasi Pembelajaran LVQ dan LVQ Menggunakan Algoritma Genetika

Berdasarkan dari hasil analisis pengujan akurasi pembelajaran terhadap Learning Vector Quantization (LVQ) secara umum dan Learning Vector Quantization (LVQ) dengan menggunakan algoritma yang telah dilakukan penulis dari hasil pengujian terhadap data tersebut, dimana masing-masing data uji sebanyak 20 kali dengan nilai parameter pada LVQ sama, setiap tahapnya diperoleh hasil bahwa dengan menggunakan algoritma genetika sebagai inisialisasi awal bobot vektor yang mana memperoleh fitness yang optimal dibandingkan sebelumnya. Dengan menggunakan jaringan syaraf tiruan LVQ jumlah pengenalan pola alfanumerik adalah 465 pola alfanumerik, sehingga akurasi pembelajaran yang diperoleh 65%, dan dengan menggunakan algoritma genetika-lvq jumlah pengenalan pola alfanumerik adalah 474 sehingga akurasi pembelajaran yang diperoleh 66%. Kemungkinan ini disebabkan banyaknya jenis karakter atau angka yang dilatih maka presentasi akurasi pembelajaran yang dhasilkan akan semakin berkurang. Hal ini disebabkan banyaknya kareakter atau angka yang mirip. Tetapi waktu untuk mengenal polanya lebih baik dengan menggunakan jaringan syaraf tiruan LVQ yaitu 905872 ms, dibandingkan dengan LVQ menggunakan algoritma genetika 17034277 ms. Ini karena disebabkan algoritma harus membandingkan nilai fittness dari sebelumnya.

BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan dari penelitian yang telah dilakukan dapat diambil kesimpulan sebagai berikut: 1. Analisis pengujan akurasi pembelajaran terhadap Learning Vector Quantization (LVQ) secara umum dan Learning Vector Quantization (LVQ) dengan menggunakan algoritma yang telah dilakukan penulis dari hasil pengujian terhadap data tersebut, dimana masing-masing data uji sebanyak 20 kali dengan nilai parameter pada LVQ sama, setiap tahapnya diperoleh hasil bahwa dengan menggunakan algoritma genetika sebagai inisialisasi awal bobot vektor yang mana memperoleh fitness yang optimal dibandingkan sebelumnya, sehingga diperoleh akurasi pembalajaran yang baik yaitu 66% walau tidak signifikan, 2. Analisis akurasi pembelajaran dengan menggunakan LVQ klasik saja yaitu 65%. Kemungkinan ini disebabkan Banyaknya jenis karakter atau angka yang dilatih maka presentasi akurasi pembelajaran yang dhasilkan akan semakin berkurang. Hal ini disebabkan banyaknya kareakter atau angka yang mirip. Tetapi waktu untuk mengenal polanya lebih baik dengan menggunakan jaringan syaraf tiruan LVQ yaitu 905872 ms, dibandingkan dengan LVQ menggunakan algoritma genetika 17034277 ms. Ini karena disebabkan algoritma harus membandingkan nilai fiteness dari sebelumnya.

5.2. Saran Adapaun saran yang diberikan pada penelitian ini adalah sebagai berikut: 1. Penelitian ini dapat dianalisis kembali dengan menggunakan parameterparameter LVQ yaitu learning rate (α), epoch maksimum, error minimum, dan pengurang learning rate (α). 2. Untuk penelitian selanjutnya dapat ditambahkan pengujian terhadap teknikteknik dari biologi evolusi, seperti Particle Swarm Optimization (PSO), sehingga memberi perbandingan terhadap algoritma genetika umum.