Abstract
Fungsi Keanggotaan merupakan fungsi yang memetakan setiap elemen masukan ke dalam derajat keanggotaan antara 0 hingga 1 dan merupakan parameter yang penting pada penerapan logika fuzzy untuk merepresentasikan masalah dan menghasilkan keputusan yang akurat. Pada perkembangan awal logika fuzzy, pakar memiliki peran dalam menentukan batas fungsi keanggotaan. Namun pada perkembangannya sering tidak ditemukan pakar untuk menentukan batas fungsi keanggotaan. Berdasarkan permasalah tersebut mulai dilakukan penelitian berkaitan dengan pembangkitan fungsi keanggotaan secara otomatis. Salah satu metode yang dapat digunakan untuk melakukan pembangkitan otomatis fungsi keanggotaan fuzzy menggunakan metode Learning Vector Quantization. Proses pembangkitan batas fungsi keanggotaan dengan menggunakan Learning Vector QuantizationI dibagi dalam tiga tahap yaitu tahap pelatihan, pengujian, dan perhitungan. Pada tahap pelatihan menggunakan nilai bobot awal random dan digunakan untuk mendapatkan nilai bobot akhir terbaik. Sedangkan pada tahap pengujian dilakukan proses perhitungan nilai kelas keluaran berdasarkan nilai bobot akhir dari proses pelatihan. Tahap selanjutnya dilakukan proses perhitungan akurasi, nilai titik tengah dan nilai standar deviasi berdasarkan nilai kelas keluaran. Data yang digunakan pada penelitian ini adalah data penderita penyakit hepatitis yang diperoleh dari UCI Machine Learning Repository. Proses pengujian yang dilakukan berdasarkan 4 tahapan yaitu pengujian learning rate, pengurangan learning rate, iterasi maksimum, dan jumlah data latih. Berdasarakan proses pengujian yang dilakukan didapatkan hasil fungsi keanggotaan terbaik adalah data uji 24 data, nilai learning rate = 0.1, pengurangan learning rate = 0.5, iterasi maksimum = 5, dan jumlah data latih 12 data.
