Perbandingan Metode Klasifikasi SOM Dan LVQ Pada Data Bunga Iris Dengan Parameter Dimodifikasi: Comparison of SOM and LVQ Classification Methods on Iris Data With Modified Parameters

Oki Arifin; Dani Rofianto

doi:10.51454/decode.v3i1.135

Authors

Oki Arifin Manajemen Informatika Politeknik Negeri Lampung
Dani Rofianto Manajemen Informatika Politeknik Negeri Lampung

DOI:

https://doi.org/10.51454/decode.v3i1.135

Keywords:

klasifikasi, learning vector quantization, perbandingan metode, self organizing maps

Abstract

Klasifikasi mempunyai dua tugas utama yaitu membuat model sebagai prototype dan menggunakan model untuk mengklasifikasi atau memprediksi pada objek data lain. Metode klasifikasi yang banyak digunakan diantaranya adalah Self Organizing Maps (SOM) dan Learning Vector Quantization (LVQ). Penelitian ini bertujuan untuk membandingkan performa algoritma SOM dan LVQ dalam klasifikasi data bunga iris. Skema yang digunakan dalam penelitian ini adalah memodifikasi parameter dalam beberapa percobaan. Berdasarkan hasil percobaan yang telah dilakukan, nilai α dan β sangat mempengaruhi hasil klasifikasi. Algoritma SOM memiliki akurasi terbaik ketika α=0.01 dan β=0.01 dengan akurasi 97.77%, sedangkan algoritma LVQ akurasi maksimal diperoleh ketika nilai α=0.1 dan β=0.05 dengan akurasi 88.88%. Selanjutnya dalam penelitian ini diketahui bahwa banyaknya iterasi yang digunakan berpengaruh terhadap hasil klasifikasi pada kedua algoritma. Akan tetapi waktu proses (running time) pada SOM tidak begitu berpengaruh ketika dilakukan perubahan jumlah iterasi. Berbeda dengan LVQ dimana banyaknya iterasi yang digunakan sangat mempengaruhi waktu eksekusi program. Semakin banyak iterasi, semakin lama juga waktu eksekusi program yang dijalankan.

References

Afrianto, I., & Priatama, D. (2013). Aplikasi Mobile Pengenalan Citra Menggunakan Metode Learning Vector Quantization. Seminar Nasional Teknologi Informasi Dan Multimedia 2013, 1(1), 39-44.

Aprizal, Y., Zainal, R. I., & Afriyudi. (2019). Perbandingan Metode Backpropagation dan Learning Vector Quantization (LVQ) Dalam Menggali Potensi Mahasiswa Baru di STMIK PalComTech. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 18(2), 294-301. https://doi.org/10.30812/matrik.v18i2.387

Arifin, O., Saputra, K., & Fathoni, H. (2021). Implementation of Data Mining using Naïve Bayes Classifier Method in Food Crop Prediction. Scientific Journal of Informatics, 8(1), 43-50. https://doi.org/10.15294/sji.v8i1.28354

Ariyanti, D., & Iswardani, K. (2020). Teks Mining untuk Klasifikasi Keluhan Masyarakat Pada Pemkot Probolinggo Menggunakan Algoritma Naïve Bayes. Jurnal IKRA-ITH Informatika, 4(3), 125-132.

Ekayama, R., Djamal, E. C., & Komarudin, A. (2016). Identifikasi Kondisi Rileks Dari Sinyal Eeg Menggunakan Wavelet Dan Learning Vector Quantization. Prosiding SNST Ke-7, 1(1), 150-155.

Indrajati, B. N., & Supatman. (2019). Content Based Image Retrieval Motif Batik Real Time Dengan Learning Vector Quantization. Seminar Nasional Multimedia & Artificial Intelligence 2019, 2(November), 126-133.

Kumar, G., Sharma, S., & Malik, H. (2016). Learning Vector Quantization Neural Network Based External Fault Diagnosis Model for Three Phase Induction Motor Using Current Signature Analysis. Procedia Computer Science, 93(September), 1010-1016. https://doi.org/10.1016/j.procs.2016.07.304

Leleury, Z. A., & Patty, H. W. M. P. (2013). Analisis Cluster Dan Diagnosa Penyakit Menggunakan Jaringan Syaraf Tiruan. Prosiding FMIPA Universitas Pattimura, 151-158.

Nawawi, M. D., & Swanjaya, D. (2021). Integrasi Self Organizing Maps Dan Backpropagation Pada Model Prediksi Penjualan. Seminar Nasional Inovasi Teknologi UN PGRI Kediri, 5(3), 150-157.

Novalia, V., Goejantoro, R., & Sifriyani. (2020). Perbandingan Metode Klasifikasi Naive Bayes dan K-Nearest Neighbor (Studi Kasus : Status Kerja Penduduk Di Kabupaten Kutai Kartanegara Tahun 2018). Jurnal EKSPONENSIAL, 11, 159-166.

Prasetyo, E. (2014). Data Mining, Mengolah Data Menjadi Informasi Menggunakan Matlab (i). Yogyakarta: Andi Publisher.

Putra, P., Pardede, A. M. H., & Syahputra, S. (2022). Analisis Metode K-Nearest Neighbour (KNN) Dalam Klasifikasi Data Iris Bunga. Jurnal Teknik Informatika Kaputama (JTIK), 6(1), 297-305.

Putri, L. A. A. R., & Hartati, S. (2016). Klasifikasi genre musik menggunakan Learning Vector Quantization (LVQ). Jurnal Ilmiah Lmu Komputer Universitas Udayana, 9(1), 14-22.

Putro, H. F., Vulandari, R. T., & Saptomo, W. L. Y. (2020). Penerapan Metode Naive Bayes Untuk Klasifikasi Pelanggan. Jurnal Teknologi Informasi Dan Komunikasi (TIKomSiN), 8(2), 19-24. https://doi.org/10.30646/tikomsin.v8i2.500

Robi’in, B. (2017). Analisis Dekomposisi Wavelet Pada Pengenalan Pola Lurik Dengan Metode Learning Vector Quantization. ILKOM Jurnal Ilmiah, 9(2), 153-160. https://doi.org/10.33096/ilkom.v9i2.133.153-160

Shivakumar, B. R., & Rajashekararadhya, S. V. (2019). Classification of Landsat 8 Imagery Using Kohonen’s Self Organizing Maps and Learning Vector Quantization. In Advances in Communication, Signal Processing, VLSI, and Embedded Systems: Select Proceedings of VSPICE 2019. Singapore: Springer.