Implementasi Learning Vector Quantization (LVQ) untuk Pengenal Pola Sidik Jari pada Sistem Informasi Narapidana LP Wirogunan

Ranadhi, Djalu; Indarto, Wawan; Hidayat, Taufiq

doi:10.20885/informatika.vol4.iss1.art5

Cited by 5 publications

(4 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Learning Vector Quantization (LVQ) merupakan salah satu metode dalam JST untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor vektor input [4]. Penelitian ini akan menerapkan metode LBP dan LVQ untuk mengidentifikasi citra sidik jari.…”

Section: Pendahuluanunclassified

Pengenalan Pola Sidik Jari Dengan Metode Local Binary Pattern Dan Learning Vector Quantization

Fanggidae¹,

Sihotang

Pati

2019

jicon

View full text Add to dashboard Cite

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.

show abstract

Section: Pendahuluanunclassified

Pengenalan Pola Sidik Jari Dengan Metode Local Binary Pattern Dan Learning Vector Quantization

Fanggidae¹,

Sihotang

Pati

2019

jicon

View full text Add to dashboard Cite

show abstract

“…Lapisan input dihubungkan dengan lapisan kompetitif oleh bobot. Dalam lapisan kompetitif, proses pembelajaran dilakukan secara terawasi (Ranadhi, 2006). Input akan bersaing untuk dapat masuk ke dalam suatu kelas.…”

Section: Arsitektur Jaringan Lvqunclassified

Klasifikasi Kelulusan Mahasiswa Menggunakan Algoritma Learning Vector Quantization

Kartini¹,

Nugroho²,

Faisal³

2017

PJSTI

View full text Add to dashboard Cite

Program studi Ilmu Komputer FMIPA ULM meluluskan puluhan mahasiswa S1 setiap tahun. Salah satu kriteria penilaian pada akreditasi program studi adalah penilaian terhadap lama studi mahasiswa yang lulus tepat waktu. Pada penelitian ini akan dilakukan klasifikasi kelulusan berdasarkan status lama studi mahasiswa tahun = tepat waktu dan lama studi 4,5 tahun = tidak tepat waktu. Klasifikasi kelulusan mahasiswa berdasarkan IP semester I, Semester II, Semester III dan Semester IV yang telah lulus. Jika suatu sistem dapat melakukan klasifikasi kelulusan mahasiswa sebagai prediksi lama studi mahasiswa, diharapkan akan menjadi rekomendasi bagi dosen Penasehat Akademik memberikan nasehat kepada mahasiswa yang terdeteksi kemungkinan lulus tidak tepat waktu sehingga tindakan pencegahan Drop Out (DO) dapat diambil lebih awal. Hasil akurasi yang sesuai dengan data uji sebesar 70% dengan menggunakan α = 0.5, decrement alfa 0.35 dan maxepoch = 500.

show abstract

“…Lapisan input dihubungkan dengan lapisan kompetitif oleh bobot. Dalam lapisan kompetitif, proses pembelajaran dilakukan secara terawasi [3] . Input akan bersaing untuk dapat masuk ke dalam suatu kelas.…”

Section: Arsitektur Jaringanunclassified

Prediksi Terjangkitnya Penyakit Jantung Dengan Metode Learning Vector Quantization

Hidayati¹,

Warsito²

2012

Medstat

View full text Add to dashboard Cite

Learning Vector Quantization (LVQ) is a method that train the competitives layer with supervised. The competitives layer will learn automatically to classify the input vector given. If some input vectors has the short distance then the input vector will be grouped into the same class. The LVQ method can be used to classify the data into some classes or categories. At this paper, the LVQ method will be applied to classify if someone is suffer potenciate of heart desease or not. The data that be trained are 268 data of heart desease patient from UCI (University of California at Irvine) with 10 variables that are factors influence that infected of heart desease. From some trials showed that the learning rate (α) = 0.25, decrease of learning rate (Decα) = 0.1, and the minimum learning rate (Minα) = 0.001 are values that give a good prediction with level of accuracy is about 66.79 %.Keywords: Learning Vector Quantization, Classify, Heart Desease PendahuluanLearning Vector Quantization (LVQ) merupakan jaringan lapisan tunggal (single-layer net) di mana lapisan masukan terkoneksi secara langsung dengan setiap neuron pada keluaran. Koneksi antar neuron tersebut dihubungkan dengan bobot/weight. Neuron-neuron keluaran pada LVQ menyatakan suatu kelas atau kategori tertentu [2] . Bobot merupakan nilai matematis dari koneksi yang mentransfer data dari satu lapisan ke lapisan lainnya, yang berfungsi untuk mengatur jaringan sehingga dapat menghasilkan output yang diinginkan. Bobot pada LVQ sangat penting, karena dengan bobot ini input dapat melakukan pembelajaran dalam mengenali suatu pola. Vektor bobot berfungsi untuk menghubungkan setiap neuron pada lapisan input dengan masing-masing neuron pada lapisan output. Vektor bobot biasanya dituliskan dengan w tj =() dimana t menunjukkan kelas yang nilainya antara 1 sampai K, dengan K adalah banyaknya kelas pada lapisan output, sedangkan m adalah banyaknya variabel yang digunakan. Pada tulisan dibahas algoritma LVQ dan penerapannya untuk memprediksi terjangkitnya penyakit jantung pada seseorang. Arsitektur JaringanArsitektur LVQ terdiri dari lapisan input (input layer), lapisan kompetitif (terjadi kompetisi pada input untuk masuk ke dalam suatu kelas berdasarkan kedekatan jaraknya) dan lapisan output (output layer). Lapisan input dihubungkan dengan lapisan kompetitif oleh bobot. Dalam lapisan kompetitif, proses pembelajaran dilakukan secara terawasi [3] . Input akan bersaing untuk dapat masuk ke dalam suatu kelas. Hasil dari lapisan kompetitif ini berupa kelas, yang kemudian akan dihubungkan dengan lapisan output oleh fungsi aktivasi. Fungsi

show abstract

Implementasi Learning Vector Quantization (LVQ) untuk Pengenal Pola Sidik Jari pada Sistem Informasi Narapidana LP Wirogunan

Cited by 5 publications

References 0 publications

Pengenalan Pola Sidik Jari Dengan Metode Local Binary Pattern Dan Learning Vector Quantization

Pengenalan Pola Sidik Jari Dengan Metode Local Binary Pattern Dan Learning Vector Quantization

Klasifikasi Kelulusan Mahasiswa Menggunakan Algoritma Learning Vector Quantization

Prediksi Terjangkitnya Penyakit Jantung Dengan Metode Learning Vector Quantization

Contact Info

Product

Resources

About