Peningkatan Kinerja Algoritma Learning Vector Quantization (LVQ) Menggunakan Nguyen Widrow

Abstract

Learning Vector Quantization is a method of identifying with unit outputs and conducting supervised learning on the competitive layer. The competitive layer will learn automatically to recognize input vectors with very close distance values and then they will be identified into the same class. In previous studies, the initial weighting process was carried out randomly so that it was deemed inaccurate and affected accuracy. Therefore, this study will use the Nguyen Widrow weighting method to increase accuracy and shorten the training time. Calculations with data validation show that Nguyen Widrow has good accuracy when using 1 epoch, this indicates that the weighting is appropriate for shortening the initial weighting. Accuracy is obtained by comparing the ability of LVQ with ordinary weighting and Nguyen Widrow using the Confusion Matrix. After testing, the results obtained with Nguyen Widrow's weighting are better than ordinary weightings with a difference of 4.44% Accuracy, 5,09 % Sensitivity and 0% Precision.

Learning Vector Quantization adalah metode identifikasi dengan unit output dan melakukan pelatihan terhadap lapisan kompetitif bersifat terawasi (supervised learning). Lapisan kompetitif akan belajar secara otomatis untuk melakukan pengenalan terhadap vektor masukan dengan nilai jarak yang sangat berdekatan kemudian akan diidentifikasikan kedalam kelas yang sama. Pada penelitian terdahulu, proses pembobotan bobot awal dilakukan dengan acak sehingga dianggap kurang tepat dan mempengaruhi akurasi. Oleh sebab itu, penelitian ini akan menggunakan metode pembobotan Nguyen Widrow untuk meningkatkan akurasi dan mempersingkat waktu pelatihan. Perhitungan dengan data validation menunjukkan Nguyen Widrow memiliki akurasi yang baik saat menggunakan 1 epoch, ini menandakan pembobotan sudah sesuai tujuan untuk mempersingkat pembobotan awal. Akurasi didapatkan dengan membandingkan kemampuan LVQ dengan pembobotan biasa dan Nguyen Widrow menggunakan Confusion Matrix. Setelah dilakukan pengujian diperoleh hasil akurasi dengan pembobotan Nguyen Widrow lebih baik dari pada pembobotan biasa dengan selisih Accuracy sebesar 4,44%, Sensitivity sebesar 5,09 % dan Precision sebesar 0 %.