Analisis Kinerja Metode Entropy dalam Penentuan Bobot Awal Learning Vector Quantization pada Proses Klasifikasi

Abstract

The learning process for each method of Artificial Neural Network (ANN) is very important because it aims to make the network can recognize their environment. Similarly, Neural Network Learning Vector Quantization (LVQ) to recognize the environment, requires a process of learning and good parameters to produce a good degree of accuracy. LVQ has advantages in terms of accuracy and time required for the learning process when compared with another ANN algorithm. However LVQ has the disadvantage that if the amount of data is greater so the time for learning become longer and the accuracy of the model is highly dependent on the initial weight vector and parameters. To determine the initial weight vector then need a method. Entropy method is a method to search for harmony between a set of data so as to produce a weight vector that can represent any data on each class. Results obtained using Entropy method in determining the initial weight vector that is speeding up for the learning process. Although the number of training data that is used less but it can produce better accuracy than a standard LVQ.

Proses pembelajaran pada setiap metode Jaringan Syaraf Tiruan (JST) merupakan hal yang sangat penting karena bertujuan agar jaringan dapat mengenali lingkungannya. Demikian juga halnya dengan JST Learning Vector Quantization (LVQ) dalam mengenali lingkungan suatu dataset, membutuhkan proses pembelajaran dan parameter yang baik agar menghasilkan tingkat akurasi yang baik pula. LVQ sendiri memiliki kelebihan dalam hal tingkat akurasi dan waktu yang dibutuhkan untuk proses pembelajaran jika dibandingkan dengan algorimta JST lainnya. Namun JST LVQ memiliki kekurangan yaitu apabila jumlah datanya semakin besar maka waktu yang dibutuhkan untuk pembelajarannya semakin lama dan akurasi model sangat bergantung pada vektor bobot awal dan parameter yang digunakan. Untuk menentukan vektor bobot awal tersebut maka digunakan metode Entropy yang dapat mencari keserasian antara sekumpulan data sehingga menghasilkan suatu vektor bobot yang dapat mewakili setiap data pada setiap kelas. Hasil yang didapatkan menggunakan metode Entropy dalam penentuan vektor bobot awal yaitu mempercepat proses pembelajaran. Walaupun jumlah data training yang digunakan lebih sedikit namun dapat menghasilkan akurasi yang lebih baik jika dibandingkan dengan JST LVQ standar.