Implementasi Learning Vector Quantization (LVQ) Untuk Klasifikasi Gaya Belajar

Authors

  • Teguh Sujana Universitas Riau
  • Rita Novita Institut Kesehatan Payung Negeri Pekanbaru
  • Haris Tri Saputra Universitas Riau
  • Agusviyanda Institut Kesehatan Payung Negeri Pekanbaru

DOI:

https://doi.org/10.37859/jf.v15i1.8952
Keywords: gaya belajar, klasifikasi, artificial neural network, learning vector quantization, learning rate

Abstract

Gaya belajar merupakan preferensi individu dalam memperoleh, memproses, dan memahami informasi baru, yang secara umum dikelompokkan menjadi tiga kategori utama: visual, auditori, dan kinestetik. Penelitian ini bertujuan untuk mengembangkan metode klasifikasi otomatis guna mengidentifikasi gaya belajar siswa secara efisien. Algoritma Learning Vector Quantization (LVQ) digunakan untuk mengklasifikasikan gaya belajar berdasarkan 100 sampel data, dengan struktur jaringan yang terdiri dari 36 neuron pada lapisan input dan 3 neuron pada lapisan output. Implementasi dilakukan menggunakan perangkat lunak MATLAB, dan model dievaluasi menggunakan metrik akurasi serta Mean Square Error (MSE). Pengujian dilakukan dengan berbagai rasio data latih dan data uji, dan konfigurasi terbaik diperoleh saat menggunakan 90 data sebagai data latih dan 10 data sebagai data uji, dengan learning rate sebesar 0.05 dan iterasi sebanyak 500. Hasil menunjukkan akurasi mencapai 80% dan nilai MSE minimum sebesar 0.12. Temuan ini menunjukkan bahwa penambahan jumlah data latih berdampak positif terhadap akurasi model. Penelitian ini memberikan kontribusi dalam pengembangan sistem klasifikasi gaya belajar otomatis yang dapat diintegrasikan ke dalam sistem pendidikan untuk mendukung strategi pembelajaran yang lebih personal dan adaptif secara efektif.

Downloads

Download data is not yet available.

References

M. N. Harahap, “Tinjauan Gaya Belajar dan Model Pembelajaran Dalam Peningkatan Prestasi Belajar Siswa,” MANHAJ: Jurnal Ilmu Pengetahuan, Sosial Budaya dan Kemasyarakatan, vol. 2, no. 2, pp. 55–67, 2023.

D. M. Arumsari, “Analisis Gaya Belajar Siswa Terhadap Hasil Belajar Pada Mata Pelajaran IPAS,” LEARNING : Jurnal Inovasi Penelitian Pendidikan dan Pembelajaran, vol. 3, no. 1, pp. 111–119, 2023, doi: 10.51878/learning.v3i1.2118.

L. Rahmawati and S. Gumiandari, “Identifikasi Gaya Belajar (Visual, Auditorial dan Kinestetik) Mahasiswa Tadris Bahasa Inggris Kelas 3F Iain Syekh Nurjati Cirebon,” Pedagogik Jurnal Pendidikan, vol. 16, no. 1, pp. 54–61, 2021, doi: 10.33084/pedagogik.v16i1.1876.

Hidayatunnisa, Kusrini, and Kusnawi, “Perbandingan Kinerja Metode Naive Bayes dan Support Vector Machine dalam Analisis Soal,” Jurnal FASILKOM, vol. 13, no. 2, pp. 173–180, 2023, doi: 10.37859/jf.v13i02.5087.

A. I. Sakti et al., “Implementasi Artificial Neural Network (ANN) dalam Memprediksi Nilai Tukar Rupiah terhadap Dolar Amerika,” Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi, vol. 12, no. 2, pp. 124–130, Nov. 2024, doi: 10.37905/euler.v12i2.26654.

H. D. Bhakti, “Aplikasi Artificial Neural Network (ANN) untuk Memprediksi Masa Studi Mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Gresik,” Eksplora Informatika, vol. 9, no. 1, pp. 88–95, Sep. 2019, doi: 10.30864/eksplora.v9i1.234.

Hidayatunnisa, Kusrini, and Kusnawi, “Perbandingan Kinerja Metode Naive Bayes dan Support Vector Machine dalam Analisis Soal,” Jurnal FASILKOM, vol. 13, no. 2, pp. 173–180, 2023, doi: 10.37859/jf.v13i3.6292.

E. Setyowati and S. Mariani, “Penerapan Jaringan Syaraf Tiruan dengan Metode Learning Vector Quantization (LVQ) Untuk Klasifikasi Penyakit Infeksi Saluran Pernapasan Akut (ISPA). Matematika,” in PRISMA, Prosiding Seminar Nasional, 2021, pp. 514–523. [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/

F. Alamri, S. Ningsih, I. Djakaria, D. Wungguli, and I. K. Hasan, “Perbandingan Metode LVQ dan Backpropagation Untuk Klasifikasi Status Gizi Anak Di Kecamatan Sangkup,” Jurnal Gaussian, vol. 12, no. 3, pp. 314–321, Sep. 2023, doi: 10.14710/j.gauss.12.3.314-321.

E. Budianita and W. Prijodiprodjo, “Penerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak,” IJCCS, vol. 7, no. 2, pp. 155–166, 2013, doi: 10.22146/ijccs.3354.

J. Gea, “Implementasi Algoritma Learning Vector Quantization Untuk Pengenalan Barcode Barang,” Journal of Informatics, Electrical and Electronics Engineering, vol. 2, no. 1, pp. 1–4, 2022, doi: 10.47065/jieee.v2i1.385.

E. Setyowati and S. Mariani, “Penerapan Jaringan Syaraf Tiruan dengan Metode Learning Vector Quantization (LVQ) Untuk Klasifikasi Penyakit Infeksi Saluran Pernapasan Akut (ISPA).,” in PRISMA, Prosiding Seminar Nasional Matematika, 2021, pp. 514–523. [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/

A. Aziz, F. Insani, J. Jasril, and F. Syafria, “Implementasi Metode Learning Vector Quantization (LVQ) Untuk Klasifikasi Keluarga Beresiko Stunting,” Building of Informatics, Technology and Science (BITS), vol. 5, no. 1, pp. 12–20, Jun. 2023, doi: 10.47065/bits.v5i1.3478.

P. Melani, A. Batubara, I. Afrianty, S. Sanjaya, and F. Syafria, “Klasifikasi Penyakit Stroke Jaringan Syaraf Tiruan Menerapkan Metode Learning Vector Quantization,” Jurnal Informatika Universitas Pamulang, vol. 8, no. 2, pp. 223–228, 2023, doi: 10.32493/informatika.v7i2.31359.

A. R. Yanti and S. N. Endah, “Aplikasi Deteksi Dini Gangguan Sistem Pernafasan Menggunakan Metode Learning Vector Quantization (LVQ) Berbasis Web,” Sukmawati N Endah Jurnal Masyarakat Informatika, vol. 7, no. 1, pp. 55–65, 2016, doi: 10.14710/jmasif.7.1.10134.

E. Sivari, Z. Civelek, and S. Sahin, “Determination and classification of fetal sex on ultrasound images with deep learning,” Expert Syst Appl, vol. 240, pp. 1–13, Apr. 2024, doi: 10.1016/j.eswa.2023.122508.

F. R. Hariri, E. Utami, and A. Amborowati, “Learning Vector Quantization untuk Klasifikasi Abstrak Tesis,” Citec Journal, vol. 2, no. 2, pp. 128–143, 2015.

A. B. Pratama, E. Budianita, N. Yanti, R. Mai Candra, and T. Informatika UIN Sultan Syarif Kasim Riau Jl Subrantas Km, “Implementasi Metode Learning Vector Quantization (LVQ) Untuk Sentimen Analisis Terhadap Aplikasi Go-Jek Pada Playstore,” Jurnal Nasional Komputasi dan Teknologi Informasi, vol. 5, no. 3, pp.

M. F. Arif and A. A. Pramana, “Implementasi Metode Learning Vector Quantization (LVQ) Pada Pengenalan Bahasa Isyarat yang Mengandung Kata Kerja,” JAMI: Jurnal Ahli Muda Indonesia, vol. 3, no. 1, pp. 1–8, Jun. 2022, doi: 10.46510/jami.v3i1.40.

A. Saleh, M. Harahap, and E. Indra, “Kombinasi Jaringan Learning Vector Quantization Dan Normalized Cross Correlation Pada Pengenalan Wajah,” Junal Sistem Informasi Ilmu Komputer Prima, vol. 3, no. 2, pp. 13–0, Feb. 2020, doi: 10.34012/jusikom.v3i2.851.

Downloads

Published

2025-05-18

Issue

Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)

Section

Articles

License

Copyright Notice

An author who publishes in the Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) agrees to the following terms:

  • Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
  • Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
  • Author is  permitted and encouraged to post his/her  work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).

Read more about the Creative Commons Attribution-ShareAlike 4.0 Licence here: https://creativecommons.org/licenses/by-sa/4.0/.