scholarly journals Identifikasi Jenis Kayu Berdasarkan Fitur Tekstur Local Binary Pattern Menggunakan Metode Learning Vector Quantization

2021 ◽  
Vol 10 (3) ◽  
pp. 157
Author(s):  
Ni Made Yeni Dwi Rahayu ◽  
Made Windu Antara Kesiman ◽  
I Gede Aris Gunadi
Keyword(s):  
Machine Learning ◽  
Vector Quantization ◽  
Local Binary Pattern ◽  
Learning Vector Quantization ◽  
Data Input

Pada umumnya pengenalan jenis kayu masih dilakukan dengan menggunakan indera penglihatan dan penciuman. Hal tersebut dapat mempengaruhi proses jual beli dimana waktu yang dibutuhkan untuk pengenalan kayu menjadi lebih lama sehingga menyebabkan proses bisnis menjadi kurang efektif. Penelitian ini bertujuan untuk membangun suatu model machine learning untuk proses identifikasi jenis kayu berdasarkan fitur teksur citra pada kayu. Metode Local Binary Pattern (LBP) digunakan dalam proses ekstraksi ciri untuk menghasilkan vektor ciri yang dijadikan data input pada proses klasifikasi citra dengan menggunakan metode Learning Vector Quantization (LVQ). Parameter yang digunakan pada metode LBP meliputi numpoint dan radius dengan nilai 1 sampai 10. Hasil penelitian dari metode ini didapatkan akurasi tertinggi 68,33% pada numpoint 2 dan radius 1. Hasil pengujian yang cukup rendah dapat dipengaruhi oleh beberapa faktor yaitu jumlah citra latih dan terdapat beberapa citra kayu memiliki pola yang hampir sama.

scholarly journals A Synthetic Player for Ayὸ Board Game Using Alpha-Beta Search and Learning Vector Quantization

2016 ◽  
Vol 9 (3) ◽  
pp. 1
Author(s):  
Oluwatobi, A. Ayilara ◽  
Anuoluwapo, O. Ajayi ◽  
Kudirat, O. Jimoh
Keyword(s):  
Artificial Intelligence ◽  
Machine Learning ◽  
Vector Quantization ◽  
Search Algorithm ◽  
Learning Vector Quantization ◽  
Game Playing ◽  
Learning Approaches ◽  
Board Game ◽  
Significant Interest ◽  
Alpha Beta

Game playing especially, Ayὸ game has been an important topic of research in artificial intelligence and several machine learning approaches have been used, but the need to optimize computing resources is important to encourage significant interest of users. This study presents a synthetic player (Ayὸ) implemented using Alpha-beta search and Learning Vector Quantization network. The program for the board game was written in Java and MATLAB. Evaluation of the synthetic player was carried out in terms of the win percentage and game length. The synthetic player had a better efficiency compared to the traditional Alpha-beta search algorithm.

scholarly journals Pengenalan Tanda Tangan Menggunakan Learning Vector Quantization dan Ekstraksi Fitur Local Binary Pattern

2019 ◽  
Vol 5 (2) ◽  
pp. 123
Author(s):  
Erwin Yudi Hidayat ◽  
Muhammad Farhan Radiffananda
Keyword(s):  
Vector Quantization ◽  
Local Binary Pattern ◽  
Learning Vector Quantization ◽  
Learning Rate

Tanda tangan merupakan salah satu biometrik pada karakteristik perilaku yang digunakan untuk mengenali seseorang sebagai sistem identifikasi. Meskipun unik, banyak terjadi kasus tanda tangan yang disalahgunakan dengan cara dipalsukan. Tidak mudah mengenali tanda tangan yang palsu dengan tanda tangan asli. Penelitian ini menerapkan algoritma Learning Vector Quantization, deteksi tepi Sobel, dan ekstraksi fitur Local Binary Pattern untuk mengidentifikasi tanda tangan. Hasil penelitian menunjukkan, jumlah data citra, iterasi, dan learning rate mempengaruhi akurasi dan waktu proses identifikasi. Dari percobaan yang dilakukan pada parameter yang berbeda-beda, akurasi yang didapat adalah 68% pada data latih dan pada data uji sebesar 54,6%.Kata kunci—identifikasi, Learning Vector Quantization, tanda tangan, pengenalan pola

scholarly journals PENGENALAN POLA SIDIK JARI DENGAN METODE LOCAL BINARY PATTERN DAN LEARNING VECTOR QUANTIZATION

2019 ◽  
Vol 7 (2) ◽  
pp. 148-156
Author(s):  
Adriana Fanggidae ◽  
Dony M Sihotang ◽  
Adnan Putra Rihi Pati
Keyword(s):  
Vector Quantization ◽  
Local Binary Pattern ◽  
Learning Vector Quantization ◽  
Data Set ◽  
Otsu Thresholding

Sidik jari merupakan strukur genetika dalam bentuk pola yang sangat detail dan tanda yang melekat pada diri manusia. Banyak sistem biometrika yang menggunakan sidik jari sebagai data masukan, karena sifat dari sidik jari setiap individu berbeda meskipun kembar identik dan tidak berubah kecuali mendapat kecelakaan. Metode yang digunakan dalam penelitian ini yaitu segmentasi dengan algoritma Otsu thresholding, ekstraksi ciri dengan algoritma Local Binary Pattern (LBP), dan pembelajaran dengan algoritma Learning Vector Quantization (LVQ). Data yang digunakan adalah citra sidik jari jempol berukuran 200 x 300 piksel, berjenis keabuan dan berformat *.jpg. Citra sidik jari terdiri dari 25 orang, masing-masing orang memiliki 6 data latih dan 2 data uji. Pengujian data latih dan data uji dilakukan kepada empat sistem yaitu sistem dengan jumlah ciri LBP = 8, 64, 128 dan 256 dan menggunakan masing-masing 2 buah data set dimana data set 1 berjumlah 15 orang dan data set 2 berjumlah 25 orang. Hasil pengujian keempat sistem menunjukkan bahwa sistem dengan jumlah ciri LBP = 128 merupakan sistem yang terbaik dengan kombinasi akurasi sistem yang tinggi dan juga waktu pembelajaran yang cepat.

scholarly journals IDENTIFIKASI HALITOSIS BERDASARKAN TINGKATAN BERBASIS SENSOR GAS MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION

2017 ◽  
Vol 1 (01) ◽  
pp. 35-47
Author(s):  
Dodon Yendri ◽  
Anisa Irviana ◽  
Andrizal Andrizal
Keyword(s):  
Diabetes Mellitus ◽  
Fourier Transform ◽  
Fast Fourier Transform ◽  
Vector Quantization ◽  
Learning Vector Quantization ◽  
Raspberry Pi ◽  
Data Input

Penyakit diabetes mellitus dan infeksi lambung dapat dideteksi melalui bau mulut tidak sedap penderita (halitosis). Halitosis merupakan suatu keadaan di mana terciumnya bau mulut pada saat seseorang mengeluarkan nafas (biasanya tercium pada saat berbicara). Penelitian ini bertujuan untuk membuat suatu sistem identifikasi dan klasifikasi kesehatan mulut (halitosis). Sensor gas TGS-2602 akan mendeteksi kadar gas pada mulut penderita, dan mengirim data berupa sinyal analog ke mikrokontroler ATmega 328. Dengan melakukan pemrograman baca data pada Raspberry Pi, data dari mikrokontroler disimpan pada sebuah file dan kemudian data tersebut diolah menggunakan metode Fast Fourier Transform (FFT) sehingga didapatkan pola data yang diinginkan. Pola data hasil keluaran Fast Fourier Transform (FFT) ini akan digunakan sebagai data input pada metode jaringan saraf tiruan Learning Vector Quantization (LVQ). Pengujian sistem dilakukan kepada orang dengan bau mulut penderita halitosis dan tidak halitosis. Hasil penelitian diperoleh persentase tingkat keberhasilan respon sensor terhadap sampel halitosis ringan 25%, sampel halitosis sedang 50%, sampel Halitosis akut 50% dan sampel tidak halitosis 100%.

scholarly journals Verifikasi Tanda Tangan Menggunakan Ekstraksi Fitur LBP dan Klasifikasi LVQ

2020 ◽  
Vol 2 (2) ◽  
pp. 208-216
Author(s):  
Medeline Widia Andani ◽  
Fitri Bimantoro
Keyword(s):  
Computer System ◽  
Vector Quantization ◽  
Local Binary Pattern ◽  
Learning Vector Quantization ◽  
Signature Verification ◽  
Identification Process ◽  
The Media ◽  
Verification Process ◽  
General Signature

Signature is one of the media used for verification and legalization of information, such as documents that are closely related to legality. In general, signature verification is done manually by direct comparing, this is certainly not effective, especially if doing a lot verification. Therefore, we need a computer system that can automatically verify a person's signature to save time in matching and reducing errors. This research was conducted using feature of Local Binary Pattern (LBP) method and Learning Vector Quantization (LVQ) classifier. Materials that used in this research are 600 signature images with a size of 500x500 pixels taken from 30 respondents where each respondent taken 15 original signatures and 5 fake signatures. The results of this research are that the signature identification process resulted in 93% and the verification process resulted in an accuracy of 63%, a sensitivity of 89%, and a specificity of 42%.

scholarly journals Aspects in Classification Learning - Review of Recent Developments in Learning Vector Quantization

2014 ◽  
Vol 39 (2) ◽  
pp. 79-105 ◽  
Author(s):  
M. Kaden ◽  
M. Lange ◽  
D. Nebel ◽  
M. Riedel ◽  
T. Geweniger ◽  
...  
Keyword(s):  
Machine Learning ◽  
Vector Quantization ◽  
Incomplete Data ◽  
Learning Vector Quantization ◽  
Classification Models ◽  
Classification Learning ◽  
Recent Developments ◽  
Optimal Classification ◽  
Classification Tasks ◽  
Basic Learning

Abstract .Classification is one of the most frequent tasks in machine learning. However, the variety of classification tasks as well as classifier methods is huge. Thus the question is coming up: which classifier is suitable for a given problem or how can we utilize a certain classifier model for different tasks in classification learning. This paper focuses on learning vector quantization classifiers as one of the most intuitive prototype based classification models. Recent extensions and modifications of the basic learning vector quantization algorithm, which are proposed in the last years, are highlighted and also discussed in relation to particular classification task scenarios like imbalanced and/or incomplete data, prior data knowledge, classification guarantees or adaptive data metrics for optimal classification.

Sign in / Sign up

Export Citation Format

Share Document