Secara umum, klasifikasi kualitas wine menggunakan dua cara, yaitu secara obyektif dan secara subyektif. Pengukuran obyektif dilakukan melalui tes laboratorium berdasarkan data senyawa kimia yang terdapat di dalam kandungan wine. Sedangkan pengukuran subyektif merupakan pengukuran yang dilakukan oleh pakar melalui analisa sensori dengan menilai langsung karakteristik wine. Analisa sensori membutuhkan cost dan waktu yang besar. Pengenalan pola dalam proses pengklasifikasian kualitas minuman anggur dapat membantu dalam proses pelabelan kelas. Sehingga pengenalan pola terhadap minuman anggur dapat menggantikan peran pakar dalam pengklasifikasian wine quality. Learning Vector Quantization (LVQ) merupakan suatu algoritma yang sering digunakan dalam pembelajaran jaringan syaraf tiruan dalam mengenali suatu pola. Learning Vector Quantization merupakan pembelajaran yang bersifat supervised learning. Metode ini dalam proses pembelajarannya, akan mereposisikan pusat kelas berdasarkan jarak dan kelas yang menjadi acuan dari data latih. Penambahan metode Basis Asosiasi memberikan bobot tersendiri pada tiap atribut senyawa kimia yang terdapat pada dataset wine quality. Pemberian bobot pada tiap atribut dapat menghasilkan tingkat akurasi yang lebih baik. Dengan penambahan basis asosiasi pada Learning Vector Quantizaton dihasilkan akurasi yang lebih baik dari pembobotan atribut yang ada.

Association Rule, Basis Asosiasi, Classification, Data Mining, Jaringan Syaraf Tiruan, Learning Vector Quantization, Wine, Wine Quality