Implementasi Model Learning Vector Quantization (LVQ) Untuk Menentukan Kelayakan Pada Seleksi Pemilihan Calon Finalis Mojang Dan Jajaka Kota Bogor (Studi Kasus : Dinas Kebudayaan Dan Pariwisata Kota Bogor)

  • Kode Repository : SKI 30/KIK/19
  • NPM : 065114374
  • Nama : Kiki Pajar Bahtiar
  • Pembimbing 1 : -Prihastuti Harsani, Msi.
  • Pembimbing 2 : -Fajar Delli Wihartiko, SSi,.,MM.,M.Kom.
  • Abstrak : -IMPLEMENTASI MODEL LEARNING VECTOR QUANTIZATION (LVQ) UNTUK MENENTUKAN KELAYAKAN PADA SELEKSI PEMILIHAN CALON FINALIS MOJANG DAN JAJAKA KOTA BOGOR (Studi Kasus: Dinas Kebudayaan dan Pariwisata Kota Bogor) Kiki Pajar Bahtiar, Prihastuti Harsani, Fajar Delly Proram Studi Ilmu Komputer, Fakultas MIPA, Universitas Pakuan Emai: pajarbahtiar689@gmail.com ABSTRAK Pemilihan Mojang dan Jajaka Kota Bogor merupakan salah satu agenda yang diadakan oleh Dinas Pemerintah Kota Bogor khususnya Dinas Kebudayaan dan Pariwisata Kota Bogor yang bertujuan untuk meningkatkan apresiasi generasi muda terhadap pelestarian budaya dan berperan aktif dalam mempromosikan pariwisata khususnya yang berada di wilayah Kota Bogor. Untuk menjadi Calon Moka ada beberapa persyaratan dan kriteria yang harus dipenuhi untuk menjadi calon Moka seperti berpenampilan menarik, Pengetahuan umum, memiliki prestasi akademik yang baik, Dapat berbicara bahasa sunda dan bahasa inggris, public speaking yang baik, kepariwisataan dan juga sopan santun. Penyelenggaraan seleksi calon finalis Moka ini masih memiliki beberapa kelemahan dalam sistem penilaian yang melakukan proses perekapan nilai yang menggunakan Microsoft Excel. Selain itu, dalam proses penentuan layak dan tidak layak belum memiliki aturan atau rule yang baku sehingga dalam menentukan kelayakan sangat sulit jika dilihat dari data historis yang terdapat pada data penilaian yang tersedia. Salah satu Algoritma yang dapat menentukan kelayakan pada jaringan syaraf tiruan adalah LVQ (Learning Vector Quantization). Metode LVQ merupakan suatu metode klasifikasi pola dimana dalam proses pelatihan dan pembelajaran membutuhkan waktu pelatihan relatif lebih cepat dibandingkan dengan metode lainnya. Pola dari unit output LVQ akan mewakili kategori atau kelompok tertentu, pemprosesan yang terjadi pada setiap neuron adalah mencari jarak terdekat antara satu vektor masukan kebobot yang bersangkutan. Penerapan metode LVQ digunakan di dalam mencari bobot yang sesuai untuk mengelompokkan vektor-vektor input ke dalam kelas-kelas yang telah diinisialisasikan pada saat pembentukan jaringan LVQ. Data yang digunakan adalah 150 untuk data latih dan 50 data uji, adapaun hasil yang diperoleh dari penelitian memperoleh akurasi tertinggi sebesar 98% arsitektur dan parameter yang digunakan adalah learning rate (α) =0.05, nilai minimal learning rate (Mina) = 0.03, nilai pengurangan α adalah 0,05, nilai Mse (ε) = 0.1,Max Epoch=5000 dan maksimal epoch berada pada epoch ke 77= 0.0010138. Kata Kunci: Mojang Jajaka, Implementasi, LVQ/Learning Vector Quantization
  • Program Studi : Ilmu Komputer