PRAKTIKUM IX

ALGORITMA LVQ UNTUK PENGENALAN

POLA
LAPORAN PRAKTIKUM TEKNIK KLASIFIKASI

DAN PENGENALAN POLA

Disusun Oleh:

Rayuh Dhilah Hanggara

1501022088

LABORATORIUM KOMPUTER DAN INFORMATIKA

PROGRAM STUDI TEKNIK ELEKTRO
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS AHMAD DAHLAN
2017
 PRAKTIKUM IX

ALGORITMA LVQ UNTUK PENGENALAN POLA

A. TUJUAN PRAKTIKUM
1. Mahasiswa mampu memahami algoritma LVQ
B. DASAR TEORI
Metode pembelajaran ini mengatur batas-batas antara kategori-kategori
yang berbeda untuk menjaga kesalahan klasifikasi seminimal mungkin.
Pembelajaran dilakukan pada lapis kompetitif yang terawasi. Suatu lapis
kompetitif akan secara otomatis belajar untuk mengklasifikasi vektor-
vektor input. Klas-klas yang didapatkan sebagai hasil dari lapisan
kompetitif ini hanya tergantung pada jarak antara vektor-vektor input.
Algoritma:
X : vektor pelatihan (x1,..., xi,..., xn)
T : klas atau kategori vektor pembelajaran
Wj : vektor bobot unit output; (w1j, ..., wij, , wnj)
Cj : kategori atau klas yang berikan oleh unit output j
x-wj : jarak euclidean antara vektor input dan vektor
L0. Inisialisasi vektor referensi
Inisialisasi laju pembelajaran (0)
L1. Selama syarat berhenti false kerjakan langkah 2-6
L2. Untuk setiap vektor input pembelajaran x, kerjakan langkah 3-4
L3. Cari J sehingga x-wj minimum
L4. Perbarui wj:
Bila T =Cj , maka

Bila T Cj , maka

L5. Kurangi laju pembelajaran

L6. Uji syarat berhenti;
Syaratnya: spesifikasi cacah iterasi atau laju pembelajaran mencapai nilai
yang cukup kecil.
C. ALAT DA BAHAN
1. Komputer
2. Matlab 2014b

D. HASIL DAN PEMBAHASAN

1. Menuliskan program Prak10.m
Memahami algoritma mengenai LVQ ini dilakukan dengan
membuat m-file dengan nama Prak10.m seperti pada Gambar 4.1.1 di
bawah ini. M-file ini dibuat sebagai langkah pelatihan serta pengujian untuk
pembuktian bahwa sistem JST dapat diterapkan dengan algoritma LVQ.

Gambar 4.1.1 Program Prak10.m

Secara garis besar program ini dituliskan kedalam tiga bagian yaitu
pemberian data, pelatihan serta pengujian. Bagian pendataan dimulai dari
baris ke dua hingga sembilan dengan diberikan variabel-variabel yang
diikuti nilai dari tiap variabel itu sendiri. Setelahnya yaitu bagian pelatihan
diawali dari baris kesebelas sampai duabelas dengan dibantu oleh fitur pada
MATLAB untuk pelatihan yang perlu diperhatikan adalah untuk parameter
P serta C. Pada bagian akhir berupa pengujian yang hanya diwakili oleh dua
baris program. Baris pertama merupakan permitaan kepada pengguna
progam untuk menuliskan atau memasukkan nilai pola yang dikehendaki
untuk diuji cobakan, sedangkan baris berikutnya akan melakukan simulasi
terhadap parameter-parameter yang sudah diberikan tadi serta variabel net
merujuk kepada hasil atau data dari pelatihan sebelumnya.
 (a) (b)
Gambar 4.1.2 Hasil eksekusi Prak10 untuk pola (a) [1 1 0 0] dan
(b) [0 0 01]

(a) (b)
Gambar 4.1.3 Hasil eksekusi Prak10 untuk (a) pola [0 0 1 1] dan
(b) pola [1 0 0 0]

Gambar 4.1.4 Hasil eksekusi Prak10 untuk pola [0 1 1 0]

Pada hasil yang diperoleh dengan merujuk pada gambar 4.1.2 hingga
4.1.4 ditunjukan bahwa nilai pola yang diberikan dipahami oleh program
dengan memunculkan nilai yang mendekati nilai target atau diharapkan.
Program ini sudah mampu membuktikan bahwa antara parameter sumber
dapat didekati dengan baik meski masih ada pendekatan pola yang cukup
jauh.
 Selain itu ketika eksekusi awal dari program ini dilakukan akan
dimunculkan jendela Neural Network Training yang disediakan oleh
MATLAB ketika kita memanggil fungsi-fungsinya pada program dan
menyiapkan proses pelatihan atau pengujiannya. Penampakan dari jendela
Neural Network Training yang dalam hal ini diberi nama fungsi nntraintool
tadi seperti pada gambar 4.1.5 di bawah ini.

Gambar 4.1.5 Neural Network Training(nntraintool)

E. KESIMPULAN
1. Pengenalan pola dapat dilakukan dengan menggunakan algoritma LVQ.
2. Algoritma LVQ ini berupa metode pembelajaran untuk mengatur batas-
batas antara kategori-kategori yang berbeda agar kesalahan klasifikasi
menjadi minimum.
3. Lapisan lapisan yang ada akan secara otomatis melakukan pembelajaran
hingga ke lapisan berikutnya.
4. Kelas-kelas yang terjadi merupakan hasil dari perhitungan atau
pengamatan terhadap nilai dari vektor-vektor input yang ada.

F. REFERENSI

Fadlil, A. (2016) Petunjuk Praktikum Teknik Klasifikasi & Pengenalan Pola,

Yogyakarta: Universitas Ahmad Dahlan.