Annisa, - (2019) OPTIMASI LEARNING VECTOR QUANTIZATION MENGGUNAKAN PARTICLE SWARM OPTIMIZATION UNTUK KLASIFIKASI KUALITAS AIR SUNGAI. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text Cover.pdf Download (806kB) | Preview
Preview	Text Lembar Pengesahan.pdf Download (781kB) | Preview
Preview	Text Abstrak Indo-Ing.pdf Download (380kB) | Preview
Preview	Text Kata Pengantar.pdf Download (519kB) | Preview
Preview	Text Daftar Isi-min.pdf Download (283kB) | Preview
Preview	Text BAB I.pdf Download (437kB) | Preview
Preview	Text BAB II.pdf Download (500kB) | Preview
Preview	Text BAB III.pdf Download (449kB) | Preview
Preview	Text BAB IV.pdf Download (1MB) | Preview
	Text BAB V.pdf Restricted to Repository staff only Download (1MB)
Preview	Text BAB VI.pdf Download (351kB) | Preview
Preview	Text Daftar Pustaka-min.pdf Download (292kB) | Preview

Abstract

Air sungai adalah salah satu sumber air baku alternatif dari sumber air yang ada untuk dilakukan proses pengolahan. Saat ini sungai banyak mengalami pencemaran sehingga menyebabkan penurunan mutu atau kualitas air sungai itu sendiri. Penentuan status mutu dapat dilakukan dengan metode manual yaitu dengan metode Indeks Pencemaran (IP) dan STORET. Tetapi metode tersebut memiliki kendala waktu dan biaya yang cukup tinggi. Untuk mengatasi permasalahan penentuan status mutu kualitas air sungai, dalam penelitian ini telah dibangun sistem yang menerapkan sebuah metode optimasi Learning Vector Quantization menggunakan Particle Swarm Optimization untuk klasifikasi kualitas air sungai. Metode PSO digunakan untuk menentukan nilai bobot yang terbaik yang akan digunakan pada pelatihan LVQ. Adapun data masukan yang digunakan yaitu 150 data dengan 14 variabel. Data tersebut akan dibagi menjadi data latih dan data uji kemudian dilakukan proses optimasi pada bobot awal dan terakhir proses klasifikasi. Hasil keluaran berupa 3 kelas target data yaitu kondisi baik, cemar ringan dan cemar sedang. Hasil pengujian metode PSO-LVQ menunjukkan akurasi 93.33%, akurasi tersebut lebih baik dibandingkan metode LVQ yaitu 66,67%. Parameter PSO-LVQ terbaik yang digunakan yaitu dengan pembagian dataset, data latih dan data uji 90%:10% dari total 150 dataset, jumlah partikel 100, bobot inersia 0.5, maksimal iterasi PSO 100 iterasi, learning rate 0.01, minimal learning rate 0.001, maksimal epoch LVQ yaitu 100. Dari hasil pengujian, dapat disimpulkan bahwa metode PSO dapat meningkatkan hasil akurasi LVQ. Kata Kunci: Optimasi, Learning Vector Quantization, Particle Swarm Optimization, Klasifikasi, Kualitas Air Sungai

Actions (login required)

View Item