scholarly journals Penerapan Learning Vector Quantization Pada Pengelompokan Tingkat Kematangan Buah Tomat Berdasarkan Warna Buah

2019 ◽  
Vol 5 (2) ◽  
pp. 49
Author(s):  
Suwanto Sanjaya
Keyword(s):  
Vector Quantization ◽  
Cross Validation ◽  
Learning Vector Quantization ◽  
Total Data ◽  
Fold Cross Validation ◽  
Data Level

Tingkat kematangan buah tomat dapat dilihat dari warna buah. Pada penelitian sebelumnya pernah dilakukan penentuan tingkat kematangan buah tomat menggunakan fitur Hue, Saturation, dan Value (HSV), serta metode klasifikasi Learning Vector Quantization (LVQ). Pada penelitian tersebut menggunakan data citra buah tomat dari satu sisi. Pada kenyataanya, tidak semua buah tomat memiliki penyebaran warna yang sama disetiap sisinya. Oleh karena itu dibutuhkan teknik untuk merata-ratakan informasi warna dari beberapa sisi buah. Berdasarkan permasalahan tersebut, maka data citra buah tomat yang digunakan diambil dari empat sisi untuk setiap buahnya. Total data citra yang digunakan adalah 400 citra dari empat sisi dan setelah dirata-ratakan menjadi 100 data. Level kematangan buah tomat yang digunakan adalah 5 level yaitu green, breakers, turning, pink, light red, dan red. Proses pelatihan dan pengujian bobot optimal menggunakan K-Fold Cross Validation. Berdasarkan hasil pengujian, rata-rata akurasi tertinggi adalah mencapai 87,25% yang diuji menggunakan 400 citra setiap sisi buah. Berdasarkan hasil pengujian tersebut dapat disimpulkan nilai HSV yang dihasilkan dari rata-rata penggabungan citra empat sisi dapat dijadikan alternatif untuk menentukan tingkat kematangan buah tomat karena dapat meningkatkan akurasi walaupun tidak terlalu signifikan

scholarly journals PENGENALAN CITRA SASIRANGAN BERBASIS FITUR GLCM DAN MEDIAN FILTER MENGGUNAKAN LEARNING VECTOR QUANTITATION

2018 ◽  
Vol 9 (4) ◽  
pp. 255
Author(s):  
Muharir Muharir
Keyword(s):  
Vector Quantization ◽  
Cross Validation ◽  
Median Filter ◽  
Learning Vector Quantization ◽  
Stratified Sampling ◽  
Grey Level ◽  
Linear Vector ◽  
Fold Cross Validation ◽  
Linear Sampling

Sasirangan adalah kain khas suku Banjar provinsi Kalimantan Selatan, kain sasirangan merupakan salah satu budaya yang dimiliki bangsa Indonesia yang harus dijaga dan dilestarikan. Sasirangan saat ini memiliki beragam motif dan sebagian motif-motif yang ada belum dikenal masyarakat. Pengenalan citra saat ini sudah banyak dilakukan namun akurasi yang dihasilkan masih rendah dan belum diketahui algoritma apa yang menghasilkan akurasi terbaik untuk mengenali citra sasirangan. Pada penelitian ini, teknik yang digunakan untuk ekstraksi fitur adalah metode Grey Level Co-occurrence Matriec. Untuk pengenalan pola digunakan metode Linear Vector Quantization dengan melakukan beberapa tahapan pengujian, menggunakan pengujian dengan training dan testing, dan menggunakan cross validation. Pengujian menggunakan training dan testing dilakukan dengan 4 ketentuan 60%:40%, 70%:30%, 80%:20%, 90%:10%, untuk sampling type yang terbagi menjadi 3 bagian : yaitu Linear Sampling, Shuffled Sampling, dan Stratified Sampling menggunakan teknik Fold Cross Validation dengan masing-masing di uji dari 2, 3, 4, 5, 6, 7, 8, 9, dan 10 . Dari hasil penelitian menunjukkan bahwa pada pengujian tersebut akurasi tertinggi untuk mengenali citra sasirangan menggunakan sampling type dengan teknik Shuffled Sampling di dapatkan (93,33%) dengan nilai validasi 5, dengan perbandingan data training 70% dan testing 30% .Keyword : Median Filter, Grey Level Co-occurrence Matriec, Learning Vector Quantization

scholarly journals Identifikasi Daging Sapi Segar Dan Beku Menggunakan Learning Vector Quantization

2018 ◽  
Vol 2 (2) ◽  
pp. 37-44
Author(s):  
Lilis Cahyono ◽  
Supatman Supatman
Keyword(s):  
Vector Quantization ◽  
Learning Vector Quantization ◽  
Total Data

Di Indonesia harga daging sapi cukup mahal, hal ini terjadi karena mata rantai distribusi yang sangat panjang dari peternak hingga ke tangan konsumen, sehingga diperlukan biaya yang sangat tinggi untuk membeli daging sapi. Dengan mahalnya daging sapi tersebut ada beberapa oknum yang berusaha mencampur kualitas kesegaran daging sapi dengan mencampurnya antara daging yang baru dipotong dengan daging yang sudah dipotong beberapa waktu. Kondisi ini sangat merugikan konsumen yang membeli daging sapi. Saat ini identifikasi daging dilakukan secara kasat mata maupun dengan menekan dagingnya untuk mengetahui tekstur daging. Cara ini memiliki banyak kelemahan bila para konsumen tidak jeli untuk membedakan kualitas kesegaran daging sapi. Perkembangan ilmu pengetahuan dan teknologi pengolahan citra digital memungkinkan untuk memilih kualitas kesegaran daging sapi tersebut secara otomatis dengan bantuan aplikasi pengolahan citra. Tujuan dari penelitian ini adalah mengembangkan algoritma untuk mengidentifikasi daging sapi segar dan sapi beku menggunakan Learning VectorQuantization (LVQ). Jumlah data pelatihan yang digunakan terdiri dari 2 kelas (kelas 1 : kelas daging segar dan kelas 2 : daging sapi beku), masing-masing kelas berjumlah 15 data pelatihan, jadi total data berjumlah 30 data pelatihan. Sedangkan untuk data uji masing-masing kelas menggunakan 20 data uji dengan total berjumlah 40 data uji. Pada proses pelatihan menggunakan Learning Vector Quantization diperoleh unjuk kerja identifikasi terbaik sebesar 96,67% pada parameter dec alfa (decα) 0,75 dengan alfa (α) 0,00001. Bobot akhir yang diperoleh dari hasil learning tersebut kemudian digunakan untuk melakukan pengenalan data uji. Unjuk kerja terbaik pengujian dengan presentase komulatif mencapai 80% yaitu data mengenali daging segar 12 pada kelas 1 dan data mengenali daging sapi beku 20 pada kelas 2.

scholarly journals LEARNING VECTOR QUANTIZATION UNTUK PENDETEKSIAN ANAK BERBAKAT (GIFTED CHILD) PADA MASA PERKEMBANGAN

2015 ◽  
Vol 4 (2) ◽  
pp. 61-67
Author(s):  
Nuri Insania Andyani ◽  
Nelly Indriani Widiastuti
Keyword(s):  
Vector Quantization ◽  
Cross Validation ◽  
Confusion Matrix ◽  
Learning Vector Quantization ◽  
Learning Rate ◽  
Gifted Child ◽  
Autonomous Learner

Anak berbakat (gifted child) adalah anak yang memiliki potensi kecerdasan, kreatifitas dan tanggung jawab terhadap tugas diatas anak seusianya. Setiap anak berbakat memiliki gejalagejala berdasarkan perilaku dan sosial emosi. Gejala antara satu tipe anak berbakat beririsan dengan tipe anak berbakat lainnya. Hal ini dapat menyebabkan proses deteksi menjadi sulit. Berdasarkan hal tersebut maka penelitian ini menggunakan sebuah metode yaitu metode learning vector quantization. Data masukan yang digunakan adalah data gejala-gejala berdasarkan perilaku serta sosial emosi anak yang kemudian disusun menjadi 75 variabel masukan. Dari gejala–gejala tersebut maka hasil yang diperoleh yaitu tipe anak berbakat yang terdeteksi, persentasi keakuratan terhadap kelas asli dengan kelas hasil deteksi serta optimasi nilai parameter yang bervariasi dan waktu pemrosesan. Adapun tipe anak berbakat yang terdeteksi yaitu tipe the successfuls, the challanging, the underground, the dropouts, the double labeled dan the autonomous learner. Berdasarkan hasil proses pengujian yang menggunakan cross validation dan confusion matrix dengan 5 fold dari jumlah data sebanyak 50 data,maka performansi metode learning vector quantization. untuk pendeteksian anak berbakat pada masa perkembangan termasuk performansi yang baik dengan nilai parameter yang optimal pada maksimal epoh = 100, learning rate = 0,02 dan error minimum = 0,0001 dan waktu pemrosesan selama 15 detik memperoleh persentasi keakuratan yang mencapai 100%.

scholarly journals Identifikasi Mangga Harum Manis Karbitan dan Tidak Karbitan Dengan Learning Vector Quantization

2018 ◽  
Vol 2 (2) ◽  
pp. 29-36
Author(s):  
Wahyu Puspitaningrum ◽  
Supatman Supatman
Keyword(s):  
Vector Quantization ◽  
Learning Vector Quantization ◽  
Total Data

Buah mangga memiliki banyak jenis salah satunya adalah  mangga  harum manis. Kematangan buah mangga arum manis ada yang alamiah atau melalui proses pengkarbitan. Karbit adalah kepanjangan dari kalsium karbida. Karbit biasanya digunakan dalam proses las karbit dan juga dapat mempercepat pematangan buah.Pengambilansampledilakukan pada dua jenis kematangan mangga harum manis yaitu mangga harum manis karbitan dan tidak karbitan. Pengembanganalgoritma yang dilakukan bertujuan untuk mengidentifikasi mangga harum manis yang dapat membedakan kematangan mangga karbitan dan tidak karbitan menggunakan Learning Vector Quantization(LVQ). Ciri yang digunakan untuk mengidentifikasi citra mangga adalah rata-rata, varian dan standar deviasi.Jumlah data pelatihan yang digunakan terdiri dari 2 kelas(kelas 1: mangga karbitan, kelas 2: mangga tidak karbitan), dan masing-masing kelas berjumlah 30 data pelatihandengan total data berjumlah 60 data pelatihan. Sedangkan untuk data uji masing-masing kelas menggunakan 25 data uji dengan total berjumlah 50 data uji.Pada proses pelatihan menggunakan parameter LVQ (alfa0.001 dengan dec alfa0.9) diperoleh unjukkerja terbaik sebesar 98.33%. Bobot akhir yang diperoleh dari unjukkerja terbaik pada pelatihan digunakan untuk melakukan pengenalan. Unjuk kerja terbaik dari 50 data uji mencapai 98%dengan perincian 96 % mangga karbitan dan 100 % mangga tidak karbitan.

scholarly journals Pengenalan Karakter Tulisan Menggunakan Metode Learning Vector Quantization

2019 ◽  
Vol 1 (2) ◽  
pp. 23
Author(s):  
Dinda Izmya Nurpadillah ◽  
Haviluddin Haviluddin ◽  
Herman Santoso Pakpahan ◽  
Islamiyah Islamiyah ◽  
Hario Jati Setyadi
Keyword(s):  
Mean Square Error ◽  
Vector Quantization ◽  
Learning Vector Quantization ◽  
Learning Rate ◽  
Mean Square ◽  
Total Data ◽  
Hidden Layer

Artikel ini mengimplementasikan metode Learning Vector Quantization (LVQ) dalam mengenali pola aksara Sunda. Berdasarkan hasil eksperimen dengan berbagai parameter seperti learning rate dan jumlah hidden layer maka metode LVQ cukup akurat dalam mengenali pola aksara Sunda dengan nilai akurasi sebesar 6.66% dari data yang berhasil dikenali sebanyak 28 data dengan total data uji sebanyak 42 data dengan variasi learning rate sebesar 0.01 dan jumlah hidden layer sebanyak 90 layer. Hasil akurasi tersebut didapatkan dengan waktu pembelajaran yaitu selama 17 menit 22 detik. Adapun mean square error (MSE) yang dihasilkan sebesar 0.0408. Dari hasil akurasi, MSE dan waktu pembelajaran yang didapatkan maka dapat dikatakan metode LVQ belum optimal dalam memecahkan masalah pengenalan pola terutama aksara Sunda. Teknik optimalisasi kepada proses pembelajaran LVQ dengan algoritma-algoritma optimasi merupakan rencana penelitian selanjutnya.

scholarly journals K-Nearest Neighbor for Classification of Tomato Maturity Level Based on Hue, Saturation, and Value Colors

2019 ◽  
Vol 2 (2) ◽  
pp. 101
Author(s):  
Suwanto Sanjaya ◽  
Morina Lisa Pura ◽  
Siska Kurnia Gusti ◽  
Febi Yanto ◽  
Fadhilah Syafria
Keyword(s):  
Cross Validation ◽  
Nearest Neighbor ◽  
Image Size ◽  
K Nearest Neighbor ◽  
Color Information ◽  
Maturity Level ◽  
Total Data ◽  
Fold Cross Validation ◽  
Selection Of

The selection of tomatoes can use several indicators. One of the indicators is the fruit color. In digital image processing, one of the color information that could be used in Hue, Saturation, and Value (HSV). In this research, HSV is proposed as a color model feature for information on the ripeness of tomatoes. The total data of tomato images used in this research were 400 images from four sides. The maturity level of tomatoes uses five levels, namely green, turning, pink, light red, and red. The process of divide data uses K-Fold Cross Validation with ten folds. The method used for classification is k-Nearest Neighbor (kNN). The scenario of the test performed is to combine the image size with the parameter value of the neighbor (k). The image sizes tested are 100x100 pixels, 300x300 pixels, 600x600 pixels and 1000x1000 pixels. The “k” values tested were 1, 3, 5, 7, 9, 11, and 13. The highest accuracy reached 92.5% in the image size 1000x1000 pixels with a parameter “k” is 3. The result of the experiment showed that the image size has a significant influence of accuracy, but the parameter value of neighbor (k) has an influence that is not too significant.

Combination of Support Vector Machine and K-Fold cross-validation for prediction of long-term degradation of the compressive strength of marine concrete

2018 ◽  
Vol 1 (1) ◽  
pp. 120-130 ◽  
Author(s):  
Chunxiang Qian ◽  
Wence Kang ◽  
Hao Ling ◽  
Hua Dong ◽  
Chengyao Liang ◽  
...  
Keyword(s):  
Support Vector Machine ◽  
Environmental Factors ◽  
Cross Validation ◽  
Concrete Strength ◽  
Simulation Method ◽  
Support Vector ◽  
Svm Model ◽  
Artificial Neural Network Ann ◽  
Influence Degree ◽  
Fold Cross Validation

Support Vector Machine (SVM) model optimized by K-Fold cross-validation was built to predict and evaluate the degradation of concrete strength in a complicated marine environment. Meanwhile, several mathematical models, such as Artificial Neural Network (ANN) and Decision Tree (DT), were also built and compared with SVM to determine which one could make the most accurate predictions. The material factors and environmental factors that influence the results were considered. The materials factors mainly involved the original concrete strength, the amount of cement replaced by fly ash and slag. The environmental factors consisted of the concentration of Mg2+, SO42-, Cl-, temperature and exposing time. It was concluded from the prediction results that the optimized SVM model appeared to perform better than other models in predicting the concrete strength. Based on SVM model, a simulation method of variables limitation was used to determine the sensitivity of various factors and the influence degree of these factors on the degradation of concrete strength.

Rancang Bangun Sistem Informasi Untuk Menentukan Kapabilitas Konsumen Dalam Mengambil Pinjaman KPR

2016 ◽  
Vol 7 (2) ◽  
pp. 75-80
Author(s):  
Adhi Kusnadi ◽  
Risyad Ananda Putra
Keyword(s):  
Data Mining ◽  
Low Income ◽  
Cross Validation ◽  
Classification Tree ◽  
Large Population ◽  
Housing Development ◽  
Good Precision ◽  
Index Terms ◽  
The Government ◽  
Fold Cross Validation

Indonesia is one country that has a relatively large population . The government in the period of 5 years, annually hold a procurement program 1 million FLPP house units. This program is held in an effort to provide a decent home for low income people. FLPP housing development requires good precision and speed of development on the part of the developer, this is often hampered by the bank process, because it is difficult to predict the results and speed of data processing in the bank. Knowing the ability of consumers to get subsidized credit, has many advantages, among others, developers can plan a better cash flow, and developers can replace consumers who will be rejected before entering the bank process. For that reason built a system that can help developers. There are many methods that can be used to create this application. One of them is data mining with Classification tree. The results of 10-fold-cross-validation applications have an accuracy of 92%. Index Terms-Data Mining, Classification Tree, Housing, FLPP, 10-fold-cross Validation, Consumer Capability

Klasifikasi Berita Kriminal Menggunakan Naïve Bayes Classifier (NBC) dengan Pengujian K-Fold Cross Validation

2019 ◽  
Vol 5 (2) ◽  
pp. 108-117
Author(s):  
Herfia Rhomadhona ◽  
Jaka Permadi
Keyword(s):  
Cross Validation ◽  
Online Media ◽  
Bayes Classifier ◽  
Ve Bayes ◽  
Fold Cross Validation

Berita kriminalitas merupakan berita yang selalu menjadi trending topik di setiap media massa, khususnya media massa online. Media massa online terlah menyediakan beberapa fasilitas untuk mempermudah masyarakan dalam mencari sebuah berita berdasarkan topik. Media massa online melabeli suatu berita berdasarkan kategorinya. Namun, media massa online tidak memberikan sub kategori pada berita tersebut. Sebagai contoh jika seorang pengguna membuka kategori kriminal, maka yang ditampilkan adalah semua jenis berita kriminal tanpa memberikan informasi yang spesifik dari jenis kriminalitasnya. Permasalahan tersebut dapat diatasi dengan mengklasifikasikan berita kriminalitas berdasarkan subkategori. Penelitian ini menggunakan metode Naïve Bayes Classifier (NBC)  untuk mengklasifikasi berita berdasarkan sub kategorinya. Adapun subkategori terbagi kedalam 5 kategori yaitu korupsi, narkoba, pencurian, pemerkosaan dan pembunuhan. Penelitian ini bertujuan untuk mengetahui kemampuan NBC dalam mengklasifikasi berita dengan melakukan pengujian menggunakan teknik K-Fold Cross Validation dengan nilai K dari 3 sampai 10. Hasil pengujian menyatakan bahwa NBC memiliki kemampuan dalam klasifikasi berita kriminal dengan nilai precision sebesar 98,53 %, nilai recall sebesar 98,44 % dan nilai accuracy sebesar 99,38 %.

Sign in / Sign up

Export Citation Format

Share Document