scholarly journals Klasifikasi Pneumonia Pada Citra X-Rays Paru-Paru Menggunakan GLCM Dan LVQ

2021 ◽  
Vol 1 (2) ◽  
pp. 184-194
Author(s):  
Jimmi Lin ◽  
Hafiz Irsyad
Keyword(s):  
Vector Quantization ◽  
Learning Vector Quantization ◽  
Learning Rate ◽  
Gray Level ◽  
X Rays ◽  
Occurrence Matrix

Pneumonia merupakan salah satu penyakit infeksi saluran pernafasan yang ditanda dengan peradangan pada satu atau kedua paru-paru yang dapat disebabkan oleh jamur, virus, dan bakteri yang menyebabkan kantung udara sulit menyerap oksigen. Salah satu cara yang dapat digunakan untuk mendeteksi adanya penyakit pneumonia adalah dengan foto rontgen, hasil foto rontgen akan dianalisis oleh orang yang ahli dalam bidang tersebut untuk memastikan apakah adanya pneumonia atau tidak. Penelitian ini dilakukan dengan tujuan untuk mengklasifikasikan hasil x-rays kedalam sebuah program untuk mengetahui apakah terdapat pneumonia atau tidak. Metode yang digunakan untuk ekstraksi fitur adalah Gray Level Co-Occurrence Matrix (GLCM) dengan arah 0°, 45°, 90°, 135° dan metode klasifikasi Learning Vector Quantization (LVQ). Proses sebelum dilakukan klasifikasi yaitu melakukan resize terlebih dahulu, selanjutnya dilakukan ekstraksi fitur menggunakan Gray Level Co-Occurrence Matrix (GLCM) dan di klasifikasi menggunakan Learning Vector Quantization (LVQ) dengan akurasi data train terbaik sebesar 89,714% dan akurasi data test yang terbaik sebesar 74,000% yang didapat pada pengujian dengan learning rate = 0,4.

scholarly journals OPTIMASI ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGKLASIFIKASIAN CITRA DAGING SAPI DAN DAGING BABI BERBASIS GLCM DAN HSV

2018 ◽  
Vol 9 (1) ◽  
pp. 1-10
Author(s):  
Usman Sudibyo ◽  
Desi Purwanti Kusumaningrum ◽  
Eko Hari Rachmawanto ◽  
Christy Atika Sari
Keyword(s):  
Vector Quantization ◽  
Region Of Interest ◽  
Learning Vector Quantization ◽  
Gray Level ◽  
Minimum Error ◽  
Occurrence Matrix

Meningkatnya kebutuhan daging sapi, berdampak pada harga daging sapi. Harga daging sapi yang terus menerus mengalami kenaikan, tentunya menyebabkan penurunan penjualan daging sapi. Untuk mengantisipasi hal tersebut, maka beberapa pedagang mencampurkan daging sapi dengan daging babi. Dipilihnya daging babi, karena harga daging babi lebih murah dan warna serta tekstur daging babi yang mirip dengan daging sapi. Secara kasat mata daging sapi dan daging babi sulit untuk dibedakan bagi orang awam. Oleh karena itu, perlu adanya sistem yang dapat membedakan kedua daging. Penelitian ini menggunakan metode klasifikasi untuk membedakan kedua daging. Metode klasifikasi menggunakan algoritma Learning Vector Quantization. Dan penelitian ini memiliki tiga tahapan utama seperti preprocessing, segmentasi warna, ekstraksi fitur, dan klasifikasi. Preprocessing digunakan untuk mendapatkan Region of Interest (ROI) dengan memotong citra dan mengubah ukuran citra. Segmentasi warna menggunakan metode HSV untuk mendapatkan kedalaman warna citra dan ekstraksi fitur mengguakan Gray Level Co-occurrence Matrix (GLCM) untuk mendapatkan fitur dari kontras, korelasi, energi, dan homogenitas. Hasil klasifikasi dengan algoritma LVQ mendapatkan akurasi tertinggi 76,25%. Algoritma telah diuji dengan MSE untuk mengetahui minimum error dan PSNR digunakan sebagai pengukuran kualitas citra pengolahan.

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 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 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 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.

Sign in / Sign up

Export Citation Format

Share Document