Optimasi Vektor Bobot Learning Vector Quantization Menggunakan Algoritme Genetika Untuk Penentuan Kualitas Susu Sapi
| Main Author: | Widyawati, Karina |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/2011/1/Karina%20Widyawati.pdf http://repository.ub.ac.id/2011/ |
Daftar Isi:
- Tubuh manusia memerlukan makanan sehat untuk memenuhi kebutuhan gizi yang salah satu sumbernya dapat diperoleh dari hewan. Susu merupakan bahan pangan yang dihasilkan oleh hewan dan memiliki kandungan gizi lengkap yang penting bagi tubuh Selain pentingnya kandungan susu bagi tubuh manusia, dibutuhkan sebuah sistem yang dapat menentukan kualitas susu sehingga masyarakat bisa mengonsumsi susu dengan kualitas tinggi. Penentuan kualitas susu dapat dilakukan dengan alat Milkoscope Julie c2 atau Lactoscan untuk menguji kandungan kimiawi susu. Alat tersebut dapat mengetahui kandungan kimiawi meliputi 7 parameter yaitu lemak (Fat), Solid Non Fat (SNF), Kekentalan (Density), Protein, Laktosa, Air dan Temperatur. Dari ketujuh parameter tersebut, 3 parameternya merupakan ketentuan dari Standar Nasional Indonesia (SNI) sedangkan 4 parameter yang lain tidak tercantum dalam ketentuan SNI. Jika penentuan kualitas susu hanya dengan 3 parameter sesuai SNI maka hasilnya kurang maksimal. Berdasarkan permasalahan tersebut, dibutuhkan sebuah sistem yang dapat membantu menentukan kualitas susu sapi yang mempertimbangkan 7 parameter. Salah satu metode yang dapat digunakan untuk menentukan kualitas susu adalah Learning Vector Quantization (LVQ) namun LVQ membutuhkan suatu metode optimasi untuk menghasilkan vektor bobot terbaik dan meningkatkan akurasi yaitu menggunakan Algoritme Genetika (AG). AG akan mengoptimasi vektor bobot dengan membangkitkan populasi awal secara random, crossover, mutasi, evaluasi dan seleksi. Vektor bobot terbaik dari AG akan digunakan untuk training LVQ kemudian vektor bobot terbaru dari hasil training digunakan untuk testing. Hasil yang diperoleh dari penelitian memperoleh akurasi tertinggi sebesar 88% dengan parameter terbaik yaitu ukuran populasi 30, crossover rate 0,5, mutation rate 0,5, jumlah generasi 75, laju pembelajaran 0,6, pengurang alpha 0,3 dan membutuhkan waktu komputasi selama 23 menit 57 detik.