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 Time series classification using k-Nearest neighbours, Multilayer Perceptron and Learning Vector Quantization algorithms

2012 ◽  
Vol 60 (2) ◽  
pp. 69-72 ◽  
Author(s):  
Jiří Fejfar ◽  
Jiří Šťastný ◽  
Miroslav Cepl
Keyword(s):  
Time Series ◽  
Vector Quantization ◽  
Multilayer Perceptron ◽  
Confusion Matrix ◽  
A Priori ◽  
Learning Vector Quantization ◽  
Self Organizing Map ◽  
Data Set ◽  
Nearest Neighbours ◽  
Musical Excerpts

We are presenting results comparison of three artificial intelligence algorithms in a classification of time series derived from musical excerpts in this paper. Algorithms were chosen to represent different principles of classification – statistic approach, neural networks and competitive learning. The first algorithm is a classical k-Nearest neighbours algorithm, the second algorithm is Multilayer Perceptron (MPL), an example of artificial neural network and the third one is a Learning Vector Quantization (LVQ) algorithm representing supervised counterpart to unsupervised Self Organizing Map (SOM).After our own former experiments with unlabelled data we moved forward to the data labels utilization, which generally led to a better accuracy of classification results. As we need huge data set of labelled time series (a priori knowledge of correct class which each time series instance belongs to), we used, with a good experience in former studies, musical excerpts as a source of real-world time series. We are using standard deviation of the sound signal as a descriptor of a musical excerpts volume level.We are describing principle of each algorithm as well as its implementation briefly, giving links for further research. Classification results of each algorithm are presented in a confusion matrix showing numbers of misclassifications and allowing to evaluate overall accuracy of the algorithm. Results are compared and particular misclassifications are discussed for each algorithm. Finally the best solution is chosen and further research goals are given.

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 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

Penerapan Learning Vector Quantization Dalam Memprediksi Jumlah Rumah Tangga Miskin

2019 ◽  
Vol 5 (2) ◽  
pp. 118-127
Author(s):  
Harliana Harliana ◽  
Sodik Kirono
Keyword(s):  
Vector Quantization ◽  
Error Rate ◽  
Learning Vector Quantization ◽  
Learning Rate ◽  
Input Output ◽  
Data Set

Kemiskinan merupakan salah satu permasalahan penting yang masih terus dilakukan pengkajiannya oleh pemerintah daerah termasuk pemerintah Kabupaten Cirebon, berbagai upaya pemberian bantuan telah dilakukan, namun sayangnya masih ada beberapa rumah tangga miskin yang belum dapat keluar dari kemiskinan tersebut. Penelitian ini bertujuan untuk memprediksi rumah tangga miskin yang telah mendapatkan bantuan, apakah dapat keluar dari kemiskinannya ataukah tetap pada kelompok desil 1 (rumah tangga sangat miskin), desil 2 (rumah tangga miskin), desil 3 (rumah tangga hampir miskin) melalui algoritma LVQ. Algoritma LVQ merupakan salah satu algoritma klasifikasi yang mampu mengenali dan meniru input output yang telah ditentukan. Penelitian ini menggunakan 70 data set, 10 neuron inputan, 3 neuron keluaran, 100 MaxEpoh dan 0,05 learning rate (a) dalam melakukan prediksi. Dari 70 data set yang digunakan selanjutnya akan dipecah menjadi data training dan data testing. Berdasarkan 5 hasil pengujian yang telah dilakukan, didapatkan bahwa tingkat akurasi dan error rate akan berbanding lurus terhadap jumlah data training dan data testing yang ditentukan.

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 Adaptive Relevance Matrices in Learning Vector Quantization

2009 ◽  
Vol 21 (12) ◽  
pp. 3532-3561 ◽  
Author(s):  
Petra Schneider ◽  
Michael Biehl ◽  
Barbara Hammer
Keyword(s):  
Vector Quantization ◽  
Classification Scheme ◽  
Distance Measure ◽  
Learning Vector Quantization ◽  
Data Set ◽  
Full Matrix ◽  
C Elegans ◽  
Generalization Bounds ◽  
Multiclass Problem ◽  
Decision Boundaries

We propose a new matrix learning scheme to extend relevance learning vector quantization (RLVQ), an efficient prototype-based classification algorithm, toward a general adaptive metric. By introducing a full matrix of relevance factors in the distance measure, correlations between different features and their importance for the classification scheme can be taken into account and automated, and general metric adaptation takes place during training. In comparison to the weighted Euclidean metric used in RLVQ and its variations, a full matrix is more powerful to represent the internal structure of the data appropriately. Large margin generalization bounds can be transferred to this case, leading to bounds that are independent of the input dimensionality. This also holds for local metrics attached to each prototype, which corresponds to piecewise quadratic decision boundaries. The algorithm is tested in comparison to alternative learning vector quantization schemes using an artificial data set, a benchmark multiclass problem from the UCI repository, and a problem from bioinformatics, the recognition of splice sites for C. elegans.

Sign in / Sign up

Export Citation Format

Share Document