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)
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