ANALISIS KOMPARATIF LEARNING VECTOR QUANTIZATION (LVQ) DAN PARTICLE SWARM OPTIMIZATION (PSO) PADA KLASIFIKASI

Abstract

Learning Vector Quantization (LVQ) dan Particle Swarm Optimization (PSO) adalah dua teknik optimasi digunakan dalam bidang klasifikasi. LVQ adalah teknik pembelajaran mesin dengan pengawasan yang biasanya digunakan untuk mengklasifikasikan data dengan fitur-fitur yang berjumlah kecil dan sedang, sedangkan PSO adalah teknik optimasi yang dapat digunakan untuk mengoptimalkan model klasifikasi yang lebih kompleks. Pada penelitian ini, kami melakukan analisis komparatif kinerja antara LVQ dan PSO. Data uji yang digunakan adalah Breast Cancer Wisconsin (Diagnostic), Statlog (Heart), German Credit Data dan Iris. Matriks yang digunakan untuk menganalisis kinerja kedua algoritm adalah akurasi, waktu komputasi dan kompleksitas data model. Hasilnya menunjukkan bahwa PSO menghasilkan akurasi yang lebih tinggi daripada LVQ pada keempat dataset yang digunakan yaitu 97,5% PSO dan 96% LVQ. Waktu komputasi yang dibutuhkan oleh PSO juga lebih rendah daripada LVQ, walaupun perbedaannya tidak terlalu signifikan. Namun model yang dihasilkan oleh PSOmemiliki kompleksitas yang lebih tinggi daripada LVQ. Hal ini menunjukkan bahwa PSO mampu mengoptimalkan kinerja model klasifikasi yang lebih kompleks dengan akurasi yang lebih tinggi, namun dapat memakan waktu komputasi yang lebih lama. Di sisi lain, LVQ merupakan pilihan yang baik untuk data dengan dimensi yang lebih rendah dan model yang lebih sederhana.