IMPLEMENTASI ALGORITMA LEARNING VEKTOR QUANTIZATION (LVQ) UNTUK KLASIFIKASI BANTUAN USAHA MIKRO KECIL MENENGAH (UMKM)

JASA TELEMATIKA INDONESIA

Indra Lumesa, Eneng Tita Tosida, Sufyatul Maryana.

Email : indralumesa @gmail.com

Program Studi Ilmu Komputer FMIPA Universitas Pakuan Bogor

ABSTRAK

Industri telematika (Information and Communication Technology – ICT) merupakan salah satu industri prioritas yang akan dan sedang dikembangkan Pemerintah melalui Kebijakan Pembangunan Industri Nasional. Industri telematika sendiri saat ini merupakan industri yang sedang berkembang dengan pesat di dunia dengan pertumbuhan 6,9 % per tahun. Berdasarkan hal tersebut akan dilakukan penelitian dan pengimplementasian untuk menentukan badan usaha jasa telematika yang layak menerima bantuan dari permenkop UKM dari data yang sesuai dari Susenas (Sensus Nasional) Badan Pusat Statistik 2006, dengan menerapkan algoritma Learning Vektor Quantization (LVQ) salah satu jaringan syaraf tiruan yang merupakan algoritma pembelajaran kompetitif terawasi versi dari algoritma Kohonen Self-Organizing Map (SOM) dengan tujuan untuk mendekati distribusi kelas vektor  untuk meminimalkan kesalahan dalam pengklasifikasian, sehingga memudahkan permenkop dalam menentukan badan usaha yang layak menerima bantuan. Hasil penelitian uji coba validasi berdasarkan confusion matrix algoritma Learning Vektor Quantization (LVQ) yaitu menggunakan 2 skenario. Skenario 21 atribut dengan data tidak dibalanced mendapat akurasi 93,112% dan Skenario 21 atribut dengan data dibalanced mendapat akurasi 49,545%. Dari skenario tersebut dapat disimpulkan bahwa skenario dengan 21 atribut dengan data tidak dibalanced yang paling baik tingkat akurasinya yaitu 93,112%.untuk di implementasikan kedalam sistem.

Kata Kunci : UMKM, Telematika, Klasifikasi, Algoritma Learning Vektor Quantization

(LVQ).

PENDAHULUAN

Industri telematika (Information and Communication Technology – ICT) merupakan salah satu industri prioritas yang akan dan sedang dikembangkan Pemerintah melalui Kebijakan Pembangunan Industri Nasional. Industri telematika sendiri saat ini merupakan industri yang sedang berkembang dengan pesat di dunia dengan pertumbuhan 6,9 % per tahun. Pada tahun 2004 pasar ICT dunia mencapai US$ 533 miliar, sedangkan pasar ICT asia tercatat US$ 42 miliar dengan pertumbuhan 23 % per tahun. Di Indonesia sendiri pasar sektor ini tercatat baru sekitar US$ 1,3 miliar dengan pertumbuhan pada tahun 2004 dan 2005

masing-masing sebesar 9,8 % dan 22,1 %. Dari jumlah itu, diperkirakan sebesar US$ 0,5 miliar sampai US$ 0,75 miliar diserap oleh sektor perbankan. Industri telematika terdiri atas kelompok barang dan jasa, meliputi Industri Perangkat (devices), Infrastruktur/Jaringan (access, nodes, transport, support) dan software (piranti lunak) termasuk aplikasi (content). Bagi negara berkembang piranti lunak dan jasa pada umumnya memiliki peluang yang lebih besar karena relatif tidak memerlukan investasi besar dalam riset dan peralatan pendukung produksi. Hal ini disebabkan terutama karena piranti lunak lebih berbasis pada tenaga kerja berpengetahuan (Departemen Perindustrian, 2015).

1

Bedasarkan penelitian terdahulu oleh Tosida et al (2015) sistem yang dibangun belum dilakukan sistem penentuan pemberian bantuan jasa telematika sebatas visualisasi data UMKM tiap daerah. Pada kelayakan bantuan untuk UMKM jasa telematika melibatkan kriteria yang komplek terdiri 21 kriteria. Hubungan antar kriteria terhadap kelayakan bantuan bersifat non linier, oleh karena itu hal ini dapat didekati dengan metode jaringan syaraf tiruan. Penelitian kelayakan bantuan untuk umkm sudah dilakukan oleh Irawadi Jamaran, (2005) yaitu merumuskan model sistem intelijen neuro-fuzzy berstruktur anfis (adaptive network-based fuzzy inference system) dan verifikasi model sistem intelijen neuro-fuzzy berstruktur anfis pada evaluasi kelayakan pinjaman ukm agroindustri oleh perbankan. Maria Ulfah ,(2011) menghitung tingkat akurasi jaringan syaraf tiruan Radial Basis Function (RBF) dalam mengklasifikasi risiko pemberian kredit dengan menggunakan input asli. Sucipto, A (2015) merancang sistem dengan metode klasifikasi data mining menggunakan algoritma C4.5 untuk deteksi kredit macet telah menghasilkan nilai akurasi, dimana akurasi tersebut adalah algoritma C4.5 sebesar 92,00%.

Oleh karena itu pada penelitian ini akan dilakukan pengembangan visualisasi menggunakan jaringan syaraf tiruan algoritma Learning Vector Quantization (LVQ) untuk membuat kaidah aturan kelayakan bantuan UMKM jasa telematika.

Tujuan dari penelitian ini adalah merancang dan mengembangkan klasifikasi pemberian bantuan untuk UMKM Indonesia dengan menggunakan jaringan syaraf tiruan algoritma Learning Vector Quantization (LVQ).

Penelitian tentang kredit Scoring juga telah dilakukan oleh Sucipto, A (2015) dengan Prediksi Kredit Macet

Melalui Perilaku Nasabah Pada Koperasi Simpan Pinjam Dengan Menggunakan Metode Algoritma Klasifikasi C4.5 memiliki tujuan merancang sistem yang menggunakan metode klasifikasi data mining dengan menggunakan algoritma C4.5 untuk deteksi kredit macet telah menghasilkan nilai akurasi, dimana akurasi tersebut adalah algoritma C4.5 sebesar 92,00%, Dari hasil akurasi tersebut maka algoritma C4.5 merupakan algoritma yang baik keakuratannya digunakan untuk meprediksi kredit macet pada koperasi simpan pinjam.

Menurut Putro (2011), arsitektur LVQ sama halnya dengan SOM (Self Organizing Map), LVQ juga terdiri dari 2 lapisan, input (𝑋) dan output (Y), dimana antara lapisannya dihubungkan oleh bobot tertentu yang sering disebut sebagai vektor pewakil (𝑊). Informasi yang diberikan ke jaringan pada saat pembelajaran bukan hanya vektor data saja melainkan informasi kelas dari data juga ikut dimasukkan. Arsitektur LVQ dapat dilihat seperti gambar 1 berikut:

Gambar 1. Arsitektur LVQ

Keterangan: X = vektor masukan (X1…, Xn…, Xn) W = vektor bobot atau vektor pewakil |X-W| = selisih nilai jarak Euclidian antara vektor input dengan vektor bobot F = lapisan kompetitif Y = keluaran (output)

Ketika hasil pemrosesan jaringan memberikan hasil klasifikasi yang sama dengan informasi kelas yang diberikan di

2

awal, maka vektor pewakil akan disesuaikan agar lebih dekat dengan vektor masukan. Sebaliknya ketika hasil klasifikasi tidak sama dengan informasi kelas yang diberikan di awal, maka vektor pewakil akan disesuaikan agar menjauhi vektor masukan. Pada tahap training, algoritma LVQ memproses masukan dengan menerima vektor masukan n-dimensi dan keterangan nomor kelas, kemudian vektor tersebut dihitung jaraknya terhadap semua vektor pewakil untuk k kelas yang ada. Perhitungan jarak antara 2 vektor mi rnenggunakan euclidean distance.. Vektor masukan lalu dikiasifikasikan ke dalam kelas dengan vektor pewakil yang jaraknya paling dekat dengan vektor masukan. Kelas pernenang pada basil kiasifikasi mi dinamakan best marching unit (BMU).

e (x , y )=∑i=1

n

√xi− yi ………(1)

dimana1<i<nn= jumlah dimensi

Proses pembelajaran ini bersifat supervised sehingga jika BMU yang didapatkan sesuai keterangan nomor kelas pada masukan, maka vektor pewakil kelas tersebut akan disesuaikan agar lebih dekat kepada vektor masukan sedangkan jika BMU tersebut salah, vektor pewakil akan disesuaikan agar lebih menjauh. Proses pengubahan vektor pewakil mi agar sesuai dengan masukan dilakukan sesuai persamaan 2 untuk kiasitikasi yang benar dan persamaan 3 untuk kiasitikasi yang salah.Wij (t+1) = vij (t) + α.(vij (t) – ini) ….. (2)Dimana1< j<k,k = jumlah kelasα = laju pembelajaranWij (t+1) = vij (t) - α.(vij (t) – ini) …...(3)

Tahap training ini dilakukan secara iteratif untuk laju pembelajaran (α) yang semakin mengecil. Satu iterasi disebut juga sebagai satu epoch. Pada setiap epoch, semua data pada training set dijadikan masukan ke jaringan kernudian vektor pewakil disesuaikan sesuai training set.

Pada epoch berikutnya, seluruh training set kembali diproses jaringan, tetapi dengan laju pembelajaran (α) yang lebih kecil. Batas proses pembelajaran mi dibatasi dengan nilai laju peinbelajaran (α) minimal. Setelah laju pembelajaran (α) mencapai nilai minimal, proses training dihentikan. (Somervuo dan kohonen, 2004)

METODE PENELITIANMetode Peneitian yang diterapkan ini

menggunakan tahapan data mining atau disebut juga Knowledge Discovery and Data Mining (KDD) (Han et al .2006) suatu rangkaian proses data mining dapat dibagi menjadi beberapa tahap yang diilustrasikan pada Gambar 2. Tahap-tahap tersebut bersifat interaktif, pemakai terlibat langsung atau dengan perantaraan knowledge base.

Gambar 2. Tahap-Tahap Data Mining (Han et al.2006)

Tahap-tahap data mining ada 5 yaitu :1. Cleaning and Integration Data

Pembersihan data atau cleaning data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. Serta Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks (Tosida et al 2015).

2. Proses Mining

3

CLEANING & INTEGRATION

DATA MINING

EVALUATION & PRESENTATION

SELECTION & TRANSFORMATION

KNOWLEDGE

Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data. Untuk proses mining dari data penelitian ini menggunakan algoritma Learning Vektor Quantization (LVQ) untuk menentukan keputusan kelayakan menerima bantuan.

3. Evaluasi Pola (Pattern Evaluation)Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti menjadikannya umpan balik untuk memperbaiki proses data mining, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat. Evaluasi dari penelitian ini menggunakan confusion matrix.

4. Presentasi Pengetahuan (Knowledge Presentation)Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisis yang didapat. Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami data mining. Karenanya presentasi hasil data mining dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam proses data mining. Dalam presentasi ini, hasil

berupa grafik yang berisi rule diimplementasikan dalam bentuk sistem berbasis web.untuk menilai apakah hipotesa yang ada memang tercapai. Evaluasi dari penelitian ini menggunakan confusion matrix.

HASIL DAN PEMBAHASAN

HasilHasil dari penelitian ini adalah

membuat sistem klasifikasi bantuan usaha UMKM jasa telematika dengan menggunakan algoritma Learning Vektor Quantization (LVQ) kemudian algoritma tersebut dieksekusi menggunakan aplikasi Matlab sehingga menghasilkan Rule untuk menentukan keputusan kelayakan suatu badan usaha untuk menerima bantuan.

Setelah didapatkan output berupa rule tersebut diimplementasikan menggunakan adobe dreamweaver kemudian diterapkan dalam framework yii dan database dirancang serta dibuat dalam aplikasi MySQL. Berikut ini adalah tampilan sistem klasifikasi klasifikasi bantuan usaha UMKM jasa telematika dengan menggunakan algoritma Learning Vektor Quantization (LVQ).

Pembahasan1. Cleaning and Integration

Data untuk klasifikasi ini telah mengalami tahapan praproses data mining seperti pembersihan data dan integrasi data yang dilakukan penelitian sebelumnya oleh Tosida et al (2015).

No. Atribut Tipe Rentang NilaiA. Keterangan Umum

4

1. Provinsi K1. Jawa, 2.

Sumatera, 3.Kalimantan,

4. Papua5. Bali&Nusra

2. Pendidikan pemilik K

1. SMA sederajat2. D4-S1atau lebih3. D1-D34. < SMA

3. Bentuk badan hokum K

1. CV2. Firma3. Ijin Khusus

Instansi4. Koperasi

5. Perorangan6. PT7. Yayasan

4. Tahun Mulai Operasi K 1. ≤ 3 tahun 2. > 3 tahun5. Pengguna computer K 1. Ya 2. Tidak6. Pengguna internet K 1. Ya 2. Tidak

7. Kelompok Usaha K

1. Jasa telekomunikasi

2. Konsultasi Hardware

3. Konsultasi Software

4. Lainnya

B. Finansial

1. Penjualan N 1. Mikro2. Kecil 3. Menengah

2. Total asset N 1. Mikro2. Kecil 3. Menengah

3. Modal K 1. Modal sendiri 2. Modal Pihak lain

4. tenaga kerja N 1. Kecil2. Mikro 3. Menengah

5. balas jasa N 1. Sedang 2. Banyak 3.menengah

Tabel 1. Deskripsi Data UMKM Jasa telematikaC. Kendala & Propek Usaha

1 Kesulitan K

1. bahan baku/barang dagangan

5.  Pemasaran

2.       BBM/energy 6.       Permodalan3.       ketrampilan tenaga kerja 7.       Tidak ada kesulitan

4.       Lainnya 8.       Transportasi9.       Upah buruh

2 Koperasi K 1.      Ya 2.      Tidak3 Kemitraan K 1.       Ya 2.       Tidak4 Menerima pelatihan K 1.       Ya 2.       Tidak

5 Pemasaran K 1.       Ekspor 3.       Luar Provinsi2.     Kabupaten 4.       Provinsi

5

6 Kondisi perusahaan 3 bulan lalu

K 1.       Sama baik 4.       Lebih buruk2.       Sama buruk 5.       Tidak dapat dibandingkan3.       Lebih baik

7 Perkiraan prospek usaha 3 bln akan datang

K 1.       Lebih baik 4.       Sama buruk2.       Lebih buruk 5.       Tidak dapat dibandingkan3.       Sama baik

8 Rencana K 1.       Tidak 4.       Ya, meningkatkan keahlian2.       Ya, Memperluas usaha 5.       Ya,lainnya

3.       Ya, membuka cabang

Tabel 2. Atribut Kelas yang telah di seleksiNo. Atribut Rentang Nilai

1 Menerima bantuan 1. Tidak Menerima Bantuan

2. Menerima Bantuan

2. Proses Mining2.1 Algortima Learning Vektor

Quantization (LVQ)Berikut adalah tahapan proses algoritma Learning Vektor Quantization (LVQ) ditujukan pada gambar 3.

Gambar 3. Flowchart algoritma Learning Vector Quantization (LVQ)

Berikut merupakan penjelasan dari flowchart algoritma Learning Vektor Quantization (LVQ) :

1. Tetapkan : bobot(w), maksimum epoh (maxEpoh), error minimum yang diharapkan(eps), learning rate(α).

2. Masukan :Input : x(m,n)Target : T(1,n)

3. Tetapkan kondisi awal :epoh = 0;err = 1;

4. Kerjakan jika : (epoh < maxEpoh ) atau (α > eps)a. epoh = epoh + 1;b. Kerjakan untuk i = 1 sampai n

- Tentukan j sedemikian hingga || x – wj || minimum (sebut sebagai Cj)

- Perbaiki wj dengan ketentuan:

jika T = Cj maka wj(baru)=wj(lama) + α (x-wj(lama)) jika T tidak sama dengan

Cj maka wj(baru)=wj(lama) - α (x- wj(lama)).

c. Kurangi nilai α.

6

Berikut adalah implementasi algoritma Learning Vector Quantization (LVQ) Sebagai pemahaman algoritma LVQ yang akan diimplementasikan terhadap UMKM Jasa Telematika. Contoh implementasi dilakukan dengan 9 data dan 6 atribut yang diambil dari data Susenas tahun 2006 terdiri dari 22541 UMKM jasa telematika. Berikut perhitungannya disajikan pada tabel 3.

Tabel 3. Tabel Implementasibentuk_badan_hukum

kelompok_usaha

Modal penjualan

total_aset

Pernahmenerimabantuan

Perorangan

Warung telekomunikasi

modal sendiri

Mikro Mikro

Tidak

Perorangan

Warung Telekomunikasi

Modal sendiri

Mikro Kecil Ya

Firma Warung telekomunikasi

modal sendiri

Mikro Mikro

Tidak

Koperasi Warung telekomunikasi

modal sendiri

Mikro Mikro

Tidak

CV Warung telekomunikasi

model pihak lain

Kecil Kecil Ya

CV Warung telekomunikasi

modal sendiri

Mikro Mikro

Ya

Ijin Khusus dari instansi terkait

Warung telekomunikasi

modal sendiri

Mikro Kecil Tidak

Perorangan

Warung telekomunikasi

modal sendiri

Mikro Kecil Tidak

Perorangan

Jasa telekomunkasi lainnya

model pihak lain

Mikro Kecil Ya

Dari tabel 3 dilakukan pengkodean sederhana yang disajikan pada tabel 4.

Tabel 4. Pengkodean Sederhana

No bentuk_badan_hukum

kelompok_usaha

Modal Penjualan

total_aset

Pernahmenerimabantuan (Kelas

Sebenarnya)

1Perorangan = 1

Warung telekomunikasi=1

modal sendiri =1

Mikro =1

Mikro =1

Tidak =1

2Perorangan = 1

Warung Telekomunikasi=1

Modal sendiri =1

Mikro =1

Kecil =2

Ya=2

3Firma = 2 Warung

telekomunikasi=1

modal sendiri =1

Mikro =1

Mikro =1

Tidak=1

4Koperasi = 3

Warung telekomu

modal sendiri

Mikro =1

Mikro =1

Tidak=1

nikasi=1 =1

5CV = 4 Warung

telekomunikasi=1

model pihak lain=2

Kecil =2

Kecil =2

Ya=2

6 CV = 4 Warung telekomunikasi=1

modal sendiri=1

Mikro=1

Mikro =1

Ya=2

7Ijin Khusus dari instansi terkait =5

Warung telekomunikasi=1

modal sendiri=1

Mikro =1

Kecil =2

Tidak=1

8 Perorangan = 1

Warung telekomunikasi=1

modal sendiri=1

Mikro,=1

Kecil =2

Tidak=1

9Perorangan = 1

Jasa telekomunkasi lainnya=2

model pihak lain=2

Mikro =1

Kecil=2

Ya=2

Data yang ada pada kolom bentuk_badan_hukum, kelompok_usaha, modal, penjualan dan total_aset sebagai input vektor dan data yang ada pada kolom pernah menerima bantuan sebagai kelas. Sehingga diperoleh 9 input vektor dalam 2 kelas pada tabel 5 berikut :

Tabel 5. Vektor yang diinputkanNO

Input Vekto

r

Kelas

1 (11111)

1

2 (11112)

2

3 (21111)

1

4 (31111)

1

5 (41222)

2

6 (41111)

2

7 (51112)

1

8 (11112)

1

7

9 (12212)

2

Dua input pertama dijadikan sebagai inisialisasi bobot :

Tabel 6. Inisialisasi BobotNO

Bobot Kelas

1 (11111)

1

2 (11112)

2

2.2.1.

2.2. Hasil Mining

Proses mining data UMKM jasa telematika ini menggunakan algoritma Learning Vektor Quantization (LVQ) dalam menentukan kelayakan badan usaha untuk menerima bantuan. Penelitian yang sama tentang klasifikasi bantuan UMKM Jasa Telematika Indonesia pernah dilakukan oleh Okta Hairlangga (2016) menggunakan Algoritma C45, Fadlan Amirudin (2016) menggunakan Algoritma CART dan Mira Ridwanah (2016) menggunakan Algoritma ID3. Klasifikasi yang dilakukan adalah dengan jumlah data 8798 yang terdiri dari 21 atribut tanpa balancing data. Berikut ini adalah perbandingan dengan algoritma ID3, CART dan C45 menggunakan skenario yang sama yaitu dengan 21 atribut tanpa balancing data disajikan pada gambar 4.

0%

20%

40%

60%

80%

100%

120%

Gambar 4. Chart Nilai Akurasi 2 Skenario.

Berdasarkan Gambar 4 dapat disimpulkan bahwa nilai akurasi masing-masing algoritma yaitu algoritma C45 sebesar 62.0596 %, Algoritma ID3 sebesar 99%, Algoritma CART sebesar 62,21 %, dan Algoritma LVQ sebesar 93,11%. Dengan catatan Algoritma ID3 dengan akurasi sebesar 99% tidak diimplementasikan kedalam sistem dikarenakan banyak atribut dan harus disederhanakan lagi dari 21 atribut menjadi 10 atribut.

3. Evaluasi PolaDalam evaluasi pola klasifikasi ini

memakai confusion matrix yaitu

Akurasi = TP+TN

TP+FN +FP+TN x

100%.

Berikut tabel hasil uji coba memakai confusion matriks yang terbagi dalam 2 skenario yaitu dengan balancing data dan tanpa balancing data sebagai berikut :

Tabel 7. Perbandingan Hasil Uji CobaPelatihan Data

Alfa

(α)

Dec α

Epoch

Balancing

Tanpa Balancin

g

0,10,1 50 49,545% 93,112%0,01 100 49,545% 93,100%0,00

1150 49,545% 78,415%

0,20,2 50 49,545% 93,112%0,02 100 49,545% 93,112%

8

0,002

150 49,545% 90,134%

0,30,3 50 49,545% 93,112%0,03 100 49,545% 93,112%0,00

3150 49,545% 93,089%

Keterangan : Alfa (α) = parameter atau learning rate

Dec α = Penurunan nilai Alfa

Epoch = iterasi Dari tabel 7 dapat disimpulkan bahwa didapat tingkat akurasi terbaik dan stabil ada pada nilai alfa (α) 0,3.

4. Presentasi Pengetahuan4.

4.1. Tampilan Index / Halaman Utama

Pada halaman ini berisi menu awal dalam sistem klasifikasi ini dimana kita bisa memulai klasifikasi bantuan usaha jasa telematika, berikut disajikan pada Gambar 5.

Gambar 5. Tampilan Index

4.2. Tampilan LoginTampilan ini berfungsi sebagai

autentikasi user yang berhak menghapus atau mengedit data yang ada pada web tersebut. Berikut disajikan pada Gambar 6.

Gambar 6. Tampilan Login

4.3. Form KlasifikasiPada tampilan ini berisi form isian

data badan usaha yang akan diklasifikasi berikut dengan tombol klasifikasinya kemudian menghasilkan output berupa kelayakan badan usaha tersebut dalam menerima bantuan atau tidak, berikut disajikan pada Gambar 7 dan 8 untuk hasil keputusan.

Gambar 7. Tampilan Form Klasifikasi

Gambar 8. Tampilan Hasil Keputusan

4.4. Tampilan Data KlasifikasiPada tampilan ini berisi data yang

telah masuk kedalam sistem klasifikasi yang telah di input sebelumnya dan bagi admin bisa langsung mengedit atau menghapus data tersebut. Berikut disajikan pada Gambar 9.

9

Gambar 9. Tampilan Data Klasifikasi

KESIMPULAN

Implementasi algoritma Learning Vector Quantization (LVQ) untuk klasifikasi bantuan UMKM jasa telematika Indonesia telah berhasil di rancang dan di bangun. Implementasi sistem ini menggunakan software Matlab untuk membangun algoritma Learning Vector Quantization (LVQ). Adobe Dreamweaver digunakan untuk membangun halaman web dengan bahasa pemrograman PHP yang tersimpan dalam framework Yii. Framework yii itu sendiri memiliki kelebihan yaitu proses perancangannya cepat dan mudah, kemudian untuk desain menggunakan Bootstrap Template agar tampilan web menjadi responsive, serta perancangan database menggunakan MySQL. Tahap penelitian dimulai dengan analisis sistem yaitu melihat deskripsi data yang akan dijadikan data latih, perancangan basis data dilakukan dengan ERD (Entity Relationship Diagram) dan DFD (Data Flow Diagram). Basis model menjelaskan tentang alur dari algoritma Learning Vector Quantization (LVQ). Uji validasi sistem menggunakan confusion matrix.

Jumlah keseluruhan data yang digunakan adalah 8798 data. Dan 2 kelas output (mendapat bantuan dan tidak mendapat bantuan). Data dibagi 2 yaitu

80% sebagai data latih dan 20% sebagai data uji. Hasil dari data menggunakan 2 skenario. Skenario 21 atribut dengan data tidak dibalanced mendapat akurasi 93,112% dan Skenario 21 atribut dengan data dibalanced mendapat akurasi 49,545%. Dari skenario tersebut dapat disimpulkan bahwa skenario dengan 21 atribut dengan data tidak dibalanced yang paling baik tingkat akurasinya yaitu 93,112%.untuk di implementasikan kedalam sistem.

Sistem ini memiliki kegunaan sebagai klasifikasi kelayakan UMKM menerima bantuan menggunakan kaidah atau aturan yang telah dibuat serta menyimpan data klasifikasi beserta keputusannya.

.DAFTAR PUSTAKA.

Amirudin, F. 2016. Implementasi Algoritma Clasification And Regresion Tree (CART) Untuk Klasifikasi Bantuan Bagi Usaha Mikro Kecil Menengah (UMKM) Jasa Telematika Indonesia. Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan, Bogor.

Hairlangga, M. 2016. Implementasi Algoritma Iterative Dicotomizer Three (ID3) Untuk Klasifikasi Bantuan Bagi Usaha Mikro Kecil Menengah (UMKM) Jasa Telematika Indonesia. Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan, Bogor.

Hairlangga, O. 2016. Implementasi Algoritma C45 Untuk Klasifikasi Bantuan Bagi Usaha Mikro Kecil Menengah (UMKM) Jasa Telematika Indonesia. Fakultas

10

Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan, Bogor.

Hardiani, 2015. Implementasi Self Organizing Maps (SOM) Untuk Clustering Usaha Jasa Telematika Indonesia Menggunakan Matlab. Skripsi. Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan, Bogor.

Hidayat, R. 2010. Cara Praktis Membangun Website Gratis : Pengertian Website. PT Elex Media Komputindo Kompas, Gramedia, Jakarta.

Jamaran, I. 2005. Sistem Intelijen Evaluasi Kelayakan Pinjaman Usaha Kecil Menengah Agroindustri Oleh Perbankan. Fakultas Teknologi Pertanian, IPB, Bogor.

Kohavi, R. 1995. A Study Of Cross-Validation And Bootstrap For Accuracy Estimation And Model Selection. Computer Science Department, Stanford University, California.

Muhamad Fithri Qomari Azizi, 2013. . Perbandingan Antara Metode Backpropagation Dengan Metode Learning Vector Quantization (LVQ) Pada Pengenalan Citra Barcode. Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Negeri Semarang.

Paskianti, K. 2011. Klasifikasi Dokumen Tumbuhan Obat menggunakan Algoritma KNN Fuzzy. Thesis Fakultas Matematika dan Ilmu Pengetahuan Alam IPB, Bogor.

Sucipto, A. 2015. Prediksi Kredit Macet Melalui Perilaku Nasabah Pada Koperasi Simpan Pinjam Dengan Menggunakan Metode Algoritma Klasifikasi C4.5. Fakultas Sains dan Teknologi, Universitas Islam Nahdlatul Ulama, Jepara.

Tosida, E. T. 2015. Pengembangan Model Data Mining Kelayakan Bantuan Usaha Bagi Usaha Mikro Kecil Menengah Jasa Telematika Indonesia. Tesis. Sekolah Pascasarjana Institut Pertanian Bogor, Bogor.

Tosida, et al. 2015. Visualization model of small and medium enterprises (SMEs) telematics services potentiality map in Indonesia. Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan, Bogor.

Ulfah ,F. M , 2011. Penerapan Jaringan Syaraf Tiruan Rbf Dan Metode Pca Dalam Memprediksi Risiko Pemberian Kredit. Program Magister Matematika Institut Teknologi Sepuluh Nopember, Surabaya.

Witten, I. H. & Frank, E. Data Mining Practical Machine Learning Tool and Techniques. Ed. Ke- 2. Morgan Kaufmann Publishers, San Francisco.

11