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 Application of Learning Vector Quantization Method in Kinect Device AS a Base of the Development of Behaviour Detection System

2017 ◽  
Vol 1 ◽  
pp. 171-174
Author(s):  
Eko Arianto ◽  
Laifa Rahmawati
Keyword(s):  
Mental Disorder ◽  
Vector Quantization ◽  
Student Behavior ◽  
Detection System ◽  
Learning Vector Quantization ◽  
Learning Rate ◽  
Quantization Method ◽  
Special Schools ◽  
Natural Motion ◽  
Detection Technology

One of the lessons for mental disorder students in Special Schools is practicum lessons in the form of vocational education. This lesson uses equipment that requires prudence. Mental disorder students have characteristics that are low memory and move based on intuition. Teachers should pay extra attention especially to detect student behavior during the learning. This detection is needed for learning to take place smoothly and students are safe from the dangers around the practicum place. Teacher's feedback on the detection obtained in the form of a warning from the teacher. This study is expected to be useful for providing a special detection pattern for students to assist teachers by providing feedback in the form of warnings using natural motion detection technology. This research was conducted using Kinect as data input and data was processed using artificial neural network and Learning Vector Quantization method. The dangerous attitude used in the test is the attitude of standing at the time of drilling position. The data used by training is 126 data and do training using LVQ. At the LVQ training stage, the training was conducted with parameter of Learning Rate 0,05, maximum Iteration 44, reduction of learning rate 0.01, and Learning rate minimum 0,02.

scholarly journals PENERAPAN METODE LEARNING VECTOR QUANTIZATION UNTUK IDENTIFIKASI PENYAKIT PADI BERDASARKAN BENTUK BERCAK DAUN

2020 ◽  
Vol 6 (1) ◽  
pp. 28-35
Author(s):  
Ery Murniyasih ◽  
Luluk Suryani
Keyword(s):  
Vector Quantization ◽  
Error Rate ◽  
Learning Vector Quantization ◽  
Learning Rate ◽  
Rate Data ◽  
Target Error

Penelitian ini bertujuan : (1). Membuat suatu aplikasi untuk identifikasi jenis penyakit pada tanaman padi berdasarkan bentuk bercak daun padi.;(2). Menerapkan metode Learning Vector Quantization (LVQ) pada identifikasi penyakit tanaman padi. Pada tahapan learning dan testing pada LVQ citra diproses menjadi Grayscale, Thresholding, dan segmentasi. Di tahap pelatihan, metode LVQ digunakan untuk menentukan bobot, target error, max epoch, dan laju pelatihan (Learning rate). Data yang dijadikan sebagai input adalah citra identifikasi jenis penyakit tanaman padi berdasarkan bentuk bercak daun padi  yaitu dengan ukuran piksel 95x35 dan berekstensi BITMAP (.bmp). Standar keberhasilan sistem identifikasi ini adalah menghitung nilai Termination Error Rate dan tingkat keakuratan dalam identifikasi bentuk bercak daun. Dari simulasi ini diperoleh struktur Jaringan Syaraf Tiruan dengan jumlah nilai learning rate 0,02 dan jumlah epoch sebesar 5 kali. Sistem yang terbentuk mampu mengenali citra yang berisi bentuk bercak daun yang digunakan sebagai bobot dengan nilai keakuratan optimum yaitu 73,33% dengan komposisi penyakit bercak coklat (BC) 20 %, Blast  20 % dan cercak cercospora 33,33%.

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 Penerapan Metode Learning Vector Quantization2 (LVQ 2) Untuk Menentukan Gangguan Kehamilan Trimester I

2018 ◽  
Vol 15 (2) ◽  
pp. 144
Author(s):  
Elvia Budianita Budianita
Keyword(s):  
Vector Quantization ◽  
Learning Vector Quantization ◽  
Learning Rate

Trimester I adalah masa dimana 3 bulan pertama kehamilan yakni 0 sampai 12 minggu awal kehamilan. Pada masa ini tubuh ibu akan banyak mengalami perubahan seiring berkembangnya janin. Pada ibu-ibu hamil pada fase trimester I terkadang ditemukan beberapa gangguan kehamilan yaitu, Abortus, Anemia Kehamilan, Hiperemesis Gravidarum tingkat I, Hiperemesis Gravidarum tingkat II, Kehamilan Ektopik, dan Mola hidatidosa. Untuk membantu pasien dalam mengenali gangguan kehamilan pada trimester I ini maka peneliti berinisiatif merancang suatu sistem yang menerapkan konsep jaringan syaraf tiruan dengan metode LVQ 2 (Learning Vector Quantization) dalam mengenali gangguan kehamilan trimester I berdasarkan gejala gangguan kehamilan trimester I. Ada 41 gejala penyakit, dan 6 penyakit sebagai data masukan. Sistem akan mengklasifikasikan penyakit dengan proses pembelajaran dan pengujian ke dalam 6 jenis penyakit, berdasarkan pengujian metode LVQ2 cukup baik di terapkan dalam pengenalan pola gejala gangguan kehamilan, di buktikan dari hasil pengujian yang di lakukan menggunakan window 0.1, 0.3, 0.5, dan 0, data latih 90 dan data uji 18 didapat akurasi terbaik 100% dan rata-rata akurasi 97.68%  dengan nilai parameter pembelajaran algoritma learning rate = 0.02, 0.04, 0.06, pengurangan learning rate = 0.1, minimal learning rate = 0.01 dan nilai window (ε) =0.1, 0.3, 0.5, dan 0. Nilai w juga mempengaruhi akurasi. Kata Kunci:  Gangguan Kehamilan Trimester I, Learning Vector Quantization 2, Window

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 Cataract Disease Diagnosis System Using Artificial Neural Network Learning Vector Quantization Method

2020 ◽  
Vol 4 (2) ◽  
pp. 75-85
Author(s):  
Chrisani Waas ◽  
D. L. Rahakbauw ◽  
Yopi Andry Lesnussa
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Vector Quantization ◽  
Processing System ◽  
Disease Diagnosis ◽  
Learning Vector Quantization ◽  
Learning Rate ◽  
Training Data ◽  
Neural Network Learning ◽  
Artificial Neural

Artificial Neural Network (ANN) is an information processing system that has certain performance characteristics that are artificial representatives based on human neural networks. ANN method has been widely applied to help human performance, one of which is health. In this research, ANN will be used to diagnose cataracts, especially Congenital Cataracts, Juvenile Cataracts, Senile Cataracts and Traumatic Cataracts based on the symptoms of the disease. The ANN method used is the Learning Vector Quantization (LVQ) method. The data used in this research were 146 data taken from the medical record data of RSUD Dr. M. Haulussy, Ambon. The data consists of 109 data as training data and 37 data as testing data. By using learning rate (α) = 0.1, decrease in learning rate (dec α) = 0.0001 and maximum epoch (max epoch) = 5, the accuracy rate obtained is 100%.

scholarly journals Learning Vector Quantization untuk Klasifikasi Abstrak Tesis

2015 ◽  
Vol 2 (2) ◽  
pp. 128
Author(s):  
Fajar Rohman Hariri ◽  
Ema Utami ◽  
Armadyah Amborowati
Keyword(s):  
Vector Quantization ◽  
Learning Vector Quantization ◽  
Learning Rate ◽  
Processing Capacity ◽  
Engineering Student ◽  
Text Data ◽  
Final Project ◽  
Abstract Data ◽  
Areas Of Interest ◽  
Value Of Learning

Data berukuran besar yang sudah disimpan jarang digunakan secara optimal karena manusia seringkali tidak memiliki waktu dan kemampuan yang cukup untuk mengelolanya. Data bervolume besar seperti data teks, jauh melampaui kapasitas pengolahan manusia yang sangat terbatas. Kasus yang disoroti adalah data abstrak tugas akhir mahasiswa jurusan teknik informatika Universitas Trunojoyo Madura. Dokumen tugas akhir oleh mahasiswa terkait hanya diupload pada SIMTAK (Sistem Informasi Tugas Akhir) dan pelabelan bidang minat penelitian dilakukan manual oleh mahasiswa tersebut, sehingga akan ada kemungkian saat mahasiswa mengisi bidang minat tidak sesuai. Untuk menanggulangi hal tersebut, diperlukan adanya mekanisme pelabelan dokumen secara otomatis, untuk meminimalisir kesalahan. Pada penelitian kali ini dilakukan klasifikasi dokumen abstrak tugas akhir menggunakan metode Learning Vector Quantization (LVQ). Data abstrak diklasifikasikan menjadi 3 yaitu SI RPL (Sistem Informasi – Rekayasa Perangkat Lunak), CAI (Computation – Artificial Intelligence) dan Multimedia. Dari berbagai ujicoba yang dilakukan didapatkan hasil metode LVQ berhasil mengenali 90% data abstrak, dengan berhasil mengenali 100% bidang minat SI RPL dan CAI, dan hanya 70% untuk bidang minat Multimedia. Dengan kondisi terbaik didapatkan dengan parameter reduksi dimensi 20% dan nilai learning rate antara 0,1-0,5.Huge size of data that have been saved are rarely used optimally because people often do not have enough time and ability to manage. Large volumes of data such as text data, exceed human processing capacity. The case highlighted was the final project abstract data from informatics engineering student Trunojoyo University. Documents abstract just uploaded on SIMTAK (Final Project Information System) and the labeling of the areas of interest of research is done manually by the student, so that there will be a possibility to fill the field of interest while the student is not appropriate. To overcome this, we need a mechanism for labeling a document automatically, to minimize errors. In the present study conducted abstract document classification using Learning Vector Quantization (LVQ). Abstract data classified into three class, SI RPL, CAI and Multimedia. Of the various tests carried out showed that LVQ method successfully recognize 90% of abstract data, to successfully identify 100% interest in the field of RPL SI and CAI, and only 70% for areas of interest Multimedia. With the best conditions obtained with the parameter dimension reduction of 20% and the value of learning rate between 0.1-0.5.

scholarly journals Self-incremental learning vector quantization with human cognitive biases

2021 ◽  
Vol 11 (1) ◽  
Author(s):  
Nobuhito Manome ◽  
Shuji Shinohara ◽  
Tatsuji Takahashi ◽  
Yu Chen ◽  
Ung-il Chung
Keyword(s):  
Vector Quantization ◽  
Cognitive Biases ◽  
Original Learning ◽  
Parameter Tuning ◽  
Learning Vector Quantization ◽  
Learning Rate ◽  
Machine Learning Method ◽  
Human Beings ◽  
Conceptual Structures ◽  
Better Than

AbstractHuman beings have adaptively rational cognitive biases for efficiently acquiring concepts from small-sized datasets. With such inductive biases, humans can generalize concepts by learning a small number of samples. By incorporating human cognitive biases into learning vector quantization (LVQ), a prototype-based online machine learning method, we developed self-incremental LVQ (SILVQ) methods that can be easily interpreted. We first describe a method to automatically adjust the learning rate that incorporates human cognitive biases. Second, SILVQ, which self-increases the prototypes based on the method for automatically adjusting the learning rate, is described. The performance levels of the proposed methods are evaluated in experiments employing four real and two artificial datasets. Compared with the original learning vector quantization algorithms, our methods not only effectively remove the need for parameter tuning, but also achieve higher accuracy from learning small numbers of instances. In the cases of larger numbers of instances, SILVQ can still achieve an accuracy that is equal to or better than those of existing representative LVQ algorithms. Furthermore, SILVQ can learn linearly inseparable conceptual structures with the required and sufficient number of prototypes without overfitting.

scholarly journals SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )

MATICS ◽  
2012 ◽  
Author(s):  
Fachrul Kurniawan ◽  
Hani Nurhayati
Keyword(s):  
Vector Quantization ◽  
Error Rate ◽  
Learning Vector Quantization ◽  
Learning Rate ◽  
Rate Data ◽  
Gray Scale ◽  
Target Error

<p>Proses simulasi yang dilakukan untuk menghasilkan sebuah sistem pengenalan meliputi beberapa tahap, yaitu tahap pengolahan citra dan  tahap pelatihan dan pengenalan. Tahap pengolahan citra dimulai dari Gray Scale,  Thresholding, segmentasi, dan normalisasi. Pengolahan citra diperlukan untuk memudahkan pengolahan data gambar sebelum masuk dalam tahap pelatihan. Kemudian tahap kedua adalah pelatihan dan pengenalan. Pada tahap ini, metode LVQ mulai digunakan dan menentukan bobot, target error, maxepoch, dan laju pelatihan (Learning rate). Data yang dijadikan sebagai input adalah citra huruf yang dinormalisasi sehingga berukuran 20x20 dan berekstensi bitmap (.bmp). Simulasi pengenalan tulisan ini dilakukan dalam beberapa tahapan sehingga bisa dengan membuat pengenalan menjadi lebih tajam. Tolak ukur keberhasilan sistem pengenalan tulisan tangan ini adalah dengan menghitung nilai Termination Error Rate dan tingkat keakuratan dalam pengenalan tanda tangan. Dari simulasi ini diperoleh struktur JST dengan jumlah nilai learning rate 0,003 nilai target error 0,00001 dan jumlah epoch sebesar 10.000 karena dalam rentang epoch 1000 sampai 10000 perubahan  epoch tidak mempengaruhi kinerja sistem. Sistem yang terbentuk mampu mengenali citra yang berisi huruf yang digunakan sebagai bobot dengan nilai keakuratan rata – rata sebesar  61,07% dan rata – rata keakuratan hasil pengenalan terhadap citra yang belum dilakukan pembelajaran sebesar 48,17%.</p><p> </p><strong>Kata Kunci</strong> : Pengolahan Citra, Learning Vector Quantization

Sign in / Sign up

Export Citation Format

Share Document