scholarly journals An Evaluation of Suitable Landscape to Crop Food Cultivation By Using Neural Networks

2009 ◽  
Vol 1 (1) ◽  
Author(s):  
Anifudin Azis ◽  
Bambang Hendro Sunarminto ◽  
Medhanita Dewi Renanti
Keyword(s):  
Neural Networks ◽  
Vector Quantization ◽  
Learning Vector Quantization ◽  
Learning Rate

Penentuan jenis tanaman pangan yang sesuai ditanam pada lahan tertentu berdasarkan nilai-nilai karakteristik lahan sangat diperlukan sebagai pendukung pengambilan keputusan, koordinasi, dan pengendalian bagi para peneliti, praktisi, dan perencana penggunaan lahan, sehingga kerugian (finansial) yang cukup besar tidak terjadi nantinya. Program komputer dengan menggunakan Jaringan Syaraf Tiruan (JST) metode Learning Vector Quantization (LVQ) dapat digunakan sebagai alat yang tepat dalam memberikan informasi tanaman yang cocok ditanam dengan mudah, cepat, dan akurat. Data pelatihan didapat dari kombinasi nilai karakteristik lahan yang termasuk dalam kelas kesesuaian S1 dan S2. Hasil pengujian menunjukkan bahwa nilai Eps (error minimum yang diharapkan) = 0.005, nilai ?? ?? = 0.05, nilai maksimum epoh = 10, dan nilai pengurangan learning rate sebesar 0.1*?? ?? merupakan nilai-nilai yang cukup efektif dan efisien dalam melakukan prediksi jenis tanaman pangan yang sesuai ditanam pada lahan tertentu karena tingkat ketepatan prediksinya adalah 100%.

scholarly journals Multipose Face Recognition-Based Combined Adaptive Deep Learning Vector Quantization

2020 ◽  
Vol 2020 ◽  
pp. 1-11
Author(s):  
Shahenda Sarhan ◽  
Aida A. Nasr ◽  
Mahmoud Y. Shams
Keyword(s):  
Neural Networks ◽  
Deep Learning ◽  
Face Recognition ◽  
Vector Quantization ◽  
Confusion Matrix ◽  
Recognition System ◽  
Learning Vector Quantization ◽  
Majority Voting ◽  
Support Vector ◽  
Reliability And Robustness

Multipose face recognition system is one of the recent challenges faced by the researchers interested in security applications. Different researches have been introduced discussing the accuracy improvement of multipose face recognition through enhancing the face detector as Viola-Jones, Real Adaboost, and Cascade Object Detector while others concentrated on the recognition systems as support vector machine and deep convolution neural networks. In this paper, a combined adaptive deep learning vector quantization (CADLVQ) classifier is proposed. The proposed classifier has boosted the weakness of the adaptive deep learning vector quantization classifiers through using the majority voting algorithm with the speeded up robust feature extractor. Experimental results indicate that, the proposed classifier provided promising results in terms of sensitivity, specificity, precision, and accuracy compared to recent approaches in deep learning, statistical, and classical neural networks. Finally, the comparison is empirically performed using confusion matrix to ensure the reliability and robustness of the proposed system compared to the state-of art.

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 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 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

Sign in / Sign up

Export Citation Format

Share Document