METODE LEARNING VECTOR QUANTIZATION

NO TAHUN JUDUL METODE KESIMPULAN

1 2010 Jaringan Syaraf Tiruan Pengolahan Data Dalam penelitian ini, dikembangkan
Learning Vector
1. Preprocessing aplikasi pengenalan tanda tangan
Quantization Untuk
2. Edge Detection Method menggunakan jaringan syaraf tiruan
Aplikasi Pengenalan Tanda Learning Vector Quantization yang
Tangan Jaringan Saraf Tiruan digunakan untuk melatih sejumlah citra
1. Learning Vector Quantization untuk tanda tangan. Pada pengujian, tingkat
pengenalan tanda tangan ketepatan pengenalan tanda tangan
Learning Vector Quantization (LVQ) adalah sebesar 98%. Terdapat satu citra tanda
suatu metode untuk melakukan tangan yang tidak dapat dikenali
pembelajaran pada lapisan kompetitif yang dengan benar. Kesalahan ini
terawasi. Suatu lapisan kompetitif akan disebabkan oleh perbedaan posisi tanda
secara otomatis belajar untuk tangan pada citra. Oleh karena itu,
mengklasifikasikan vektor-vektor input. disarankan untuk pengembangan
Kelas-kelas yang didapatkan sebagai hasil berikutnya, dapat ditambahkan proses
dari lapisan kompetitif ini hanya tergantung normalisasi (pemotongan sisi luar citra)
pada jarak antara vektor-vektor input. Jika pada citra sehingga kesalahan
dua vektor input mendekati sama, maka pengenalan akibat perbedaan posisi ini
lapisan kompetitif akan meletakkan kedua dapat dihindari.
vektor input tersebut ke dalam kelas yang
sama. (Kusumadewi, 2003). Pada Gambar
3, ditunjukkan arsitektur LVQ yang
digunakan pada penelitian ini. Terdapat 80
unit neuron input, dan sejumah n output.
Lapisan input diambil dari pengolahan citra
tandatangan, dan lapisan output
merepresentasikan target pemilik
tandatangan. Pada jaringan LVQ,
pembelajaran atau pelatihan jaringan harus
dilakukan terlebih dahulu. Pembelajaran
 akan menyesuaikan bobot dengan pola-pola
yang dipelajari dari data. Setelah
pembelajaran selesai dijalankan, barulah
pengujian bias dilakukan. Pengujian
dilakukan dengan menghitung jarak antara
input pengujian (citra pengujian yang telah
diolah menjadi vektor input) dengan bobot
akhir dari masing-masing kelas (output)
pemilik tanda tangan. Kelas yang memiliki
jarak terdekat dengan vektor input akan
menjadi pemenang.
2 2010 Pengenalan Wajah Learning Vector Quantization (LVQ) adalah
Menggunakan Learning metoda klasifkasi pola yang terawasi
Vector Quantization (supervised). vektor input tersebut akan
(LVQ) dikelompokkan dalam kelas yang sama [3].
Jaringan Learning Vector Quantization
(LVQ) ini memang mirip dengan jaringan
yang telah dikembangkan oleh Prof. Teuvo
Kohonen pada tahun 1982.
Suatu lapisan kompetitif akan secara
otomatis belajar untuk mengklasifikasikan
vektor-vektor input. Jika dua vektor input
mendekati sama, maka lapisan kompetitif
akan meletakkan kedua vektor input
tersebut ke dalam kelas yang sama. Setelah
pembelajaran, lapisan Learning Vector
Quantization (LVQ) membagi vektor input
dengan penempatan lapisan Learning
Vector Quantization (LVQ) ke kelas yang
sama sebagai unit ouput yang mempunyai
vektor bobot (vektor referensi) terdekat
dengan vektor input.[3] Arsitektur jaringan
Dari penelitian yang telah dilakukan
diambil beberapa kesimpulan yaitu : 1.
Sistem secara keseluruhan mulai dari
instrumentasi yang coba dikembangkan
melalui kamera digital, proses
segmentasi menggunakan metode
Sobel. 2. Dengan menggunakan
kecerdasan buatan Learning Vector
Quantization (LVQ), hasil deteksi
wajah, dari 35 data citra wajah input,
yang digunakan untuk learning
sebanyak 25 data citra wajah dan data
35 data citra wajah digunakan untuk
mapping atau pengujian dan yang
berhasil diidentifikasi ada 30 data citra
( 88,2%). 3. Algoritma kecerdasan
buatan Pulse Coupled Neural Network
(PCNN) dan Learning Vector
Quantization (LVQ) mampu bekerja
secara baik dengan unjuk kerja yang
cukup baik, Tingkat ketepatan sistem
LVQ setelah dilakukan beberapa kali
 syaraf Learning Vector Quantization (LVQ)
pada dasarnya sama dengan Kohonen Self
Organizing Map (tanpa suatu struktur yang
diasumsikan untuk output). Jaringan syaraf
tiruan Learning Vector Quantization (LVQ)
terdiri dari layer input, layer kompetitif
(Layer tersembunyi, hidden layer) dan layer
output seperti yang terlihat pada Masing-
masing ouput mempunyai kelas yang telah
diketahui.
3 2011 Simulasi Pengenalan Learning Vector Quantization (LVQ) adalah
Tulisan Menggunakan metode untuk melakukan pembelajaran
LVQ (Learning Vector pada lapisan kompetitif yang terawasi.
Quantization) Suatu lapisan kompetitif akan secara
otomatis belajar untuk mengklasifikasikan
vektor-vektor input. Kelas yang dihasilkan
berdasarkan jarak vektor tersebut. Jika ada
dua vektor memiliki jarak yang cukup dekat
atau mendekati sama maka kedua vektor
tersebut dikelompokkan ke dalam kelas
yang sama.
4 2013 Implementasi Learning Jaringan saraf tiruan Learning Vector
Vector Quantization Quantization (LVQ) telah banyak
Untukdiagnosa Penyakit dimanfaatkan untuk pengenalan pola baik
Diabetes Mellitus berupa citra, suara, dan lain-lain. Jaringan
LVQ sering pula digunakan untuk ekstraksi
ciri (feature) pada proses awal pengenalan
pola. Metode Jaringan Syaraf LVQ
termasuk dengan Supervised Learning
dalam penentuan bobot / model
pembelajarannya, dimana pada metode
LVQ ditentukan hasil seperti apa selama
proses pembelajaran. Selama proses
proses learning (setiap gambar
dilakukan 2 kali proses learning) adalah
86,67%
Hasil percobaan untuk mengetahui
hasil keakuratan pelatihan jaringan
terhadap nilai learning rate. Percobaan
ini dilakukan menggunakan maxepoch
sebanyak 10000 dan target error
sebesar 0,0001. Dari percobaan ini
diperoleh terjadi pada learning rate
0,003 sebesar 9.12975816651136E-6.
Termination Error Rate terkecil.
Dari hasil percobaan dapat diketahui
bahwa metode LVQ kurang bagus
apabila digunakan untuk data yang
range untuk tiap attribute datanya tidak
sama, sehingga perubahan nilai yang
sama akan membawa pengaruh yang
berbeda untuk tiap attribut. Dalam
sistem pendukung keputusan penentuan
penyakit Diabetes Mellitus ini,
dilakukan pergantian satuan untuk
insulin menjadi 0 /00. Dan dengan
metode LVQ ini menghasilkan akurasi
pembelajaran nilai bobot disusun dalam
suatu range tertentu tergantung pada nilai
input yang diberikan. Tujuan pembelajaran
ini adalah pengelompokan unit-unit yang
hampir sama dalam satu area tertentu.
Pembelajaran seperti ini sangat cocok untuk
pengelompokan (klasifikasi) pola.
Prinsip kerja dari algoritma LVQ adalah
pengurangan node-node tetangganya
(neighbour)[8], sehingga pada akhirnya
hanya ada satu node output yang terpilih
(winner node). Pertama kali yang dilakukan
adalah melakukan inisialisasi bobot untuk
tiap-tiap class. Setelah diberikan bobot,
maka jaringan diberi input sejumlah
dimensi node/neuron input. Setelah input
diterima jaringan, maka jaringan mulai
melakukan perhitungan jarak vektor yang
didapatkan dengan menjumlah selisih/jarak
antara vektor input dengan vektor bobot
menggunakan Euclidean distance.
Dalam penelitian ini dilakukan
pengumpulan data-data pasien diabetes
mellitus yang diperoleh dari hasil data
laboratorium dari pasien periode tahun 2010
RSUD Sidoarjo. Untuk data learning, ada
100 data untuk masingmasing class, dan ada
3 class, jadi total data learning 300. Untuk
data ujicoba ada 100 data, 40 untuk Negatif
Diabetes, dan masing-masing 30 untuk
Diabetes Type 1 dan Type 2.
sebesar 86% untuk learning rate 0,01 –
0,25 dari yang sebelumnya bila
menggunakan satuan % hanya bisa
mengenali 69% data. Jadi range antar
data untuk tiap atribut sangat
mempengaruhi hasil pengenalan
metode LVQ. Dari berbagai macam
variasi uji coba dari jumlah data
learning dan data ujicoba,
menghasilkan akurasi yang berbeda
pula. Dan dalam penelitian ini, semakin
banyak data learning, maka akan
semakin baik akurasinya. Hasil terbaik
diperoleh dengan menggunakan 300
data learning, dan dari 100 data
ujicoba, metode LVQ berhasil
mengenali 86 data. Dengan rincian
untuk DM Type 2, dari 33 data berhasil
mengenali 31 (93,3%), DM Type 1,
dari 33 data berhasil mengenali 29
(87,8%), Negative DM, dari 34 data
berhasil mengenali 26 (76,4%).
Aplikasi untuk penentuan penyakit
Diabetes Mellitus ini sudah baik,
namun ada baiknya dikembangkan
dengan menggunakan metode yang
berbeda atau dikombinasi dengan
metode lain. Dan untuk data learning
ditambah supaya bisa menghasilkan
akurasi yang lebih baik
 Survey atau pengamatan di lakukan untuk
mendapatkan gambaran secara umum
tentang data pasien Diabetes dan
pengelompokan penyakit Diabetes Mellitus
di Rumah Sakit. Hal ini akan memudahkan
identifikasi permasalahan dalam
perancangan sistem . Pengamatan di
lakukan dengan survey dan wawancara
kepada pihak Rumah Sakit Umum Daerah
Sidoarjo. Teknik pengumpulan data
dilakukan dengan melihat hasil rekam
medik dan hasil laboratorium pasien. Untuk
atribut – atribut dari hasil diagnosa yang
digunakan dalam penelitian ini didasarkan
atas data yang tersedia di rumah sakit,
beberapa penelitian sebelumya dan
wawancara dengan perawat dan pihak lab
5 2016 Identifikasi Telapak Gambaran umum proses identifikasi telapak Identifikasi telapak tangan dengan
Tangan Menggunakan tangan digambarkan seperti pada Gambar 1. menggunakan pengolahan citra digital
Jaringan Syaraf Tiruan Proses dimulai dengan memasukkan citra dan jaringan syaraf tiruan Learning
Learning Vector pelatihan. Pada citra pelatihan akan Vector Quantization (LVQ)
Quantization (LVQ) dilakukan proses pengolahan citra yang memberikan rata-rata tingkat akurasi
tujuannya untuk memudahkan dalam proses terbaik 74,66%. Hasil ini di capai
pelatihan jaringan syaraf tiruan. Hasil dari ketika menggunakan Learning Rate
pengolahan citra ini berupa citra biner yang 0,2, batas epoch 100 dan batas error
kemudian disimpan. Proses pelatihan 0,00001.
menggunakan citra biner pelatihan dan
bobot awal yang sudah diinisialisasi. Hasil
dari proses pelatihan berupa bobot baru
kemudian disimpan di basis data. Pada
proses pengenalan/identifikasi JST, citra
pengenalan diolah terlebih dahulu untuk
 mendapatkan citra biner. Proses pengenalan
sendiri menggunakan bobot baru dan citra
biner pengenalan. Hasil dari pengenalan
yaitu apakah citra pengenalan teridentifikasi
benar atau salah.
6 2018 Identifikasi Pola Tanda Pengumpulan data diperoleh dengan Berdasarkan proses yang telah
Tangan Berbasis Jaringan pengambilan data yang dilakukan dengan dilakukan pada penelitian ini, maka
Syaraf Tiruan Dengan mengumpulkan tanda tangan untuk diperoleh kesimpulan, adalah sebagai
Metode Learning Vector pelatihan (training) dan pengujian (testing). berikut: Setelah dilakukan rata-rata
Quantization Untuk data pelatihan digunakan sebanyak terhadap kelima proses pelatihan pada
180 tanda tangan yang berasal dari 30 metode LVQ, maka diperoleh hasil
orang, dimana setiap orang diambil 6 tanda yaitu bahwa metode LVQ memperoleh
tangan. Sedangkan untuk kebutuhan data hasil yang baik dan memiliki tingkat
pengujian, digunakan sebanyak 120 tanda akurasi yang tinggi yaitu sebesar
tangan yang berasal dari 30 orang tersebut, 94.16% dan jumlah pengenalan tanda
dengan asumsi setiap orang diambil 4 tanda tangan lebih banyak yaitu 110 tanda
tangan. Pengambilan data tanda tangan 30 tangan.
orang tersebut dilakukan di atas kertas putih
ukuran A4. Kemudian data di scan dengan
resolusi 200 dpi full color dan disimpan
dalam format JPG. Tahap pengambilan
tanda tangan dilakukan di atas kertas yang
dibatasi dengan kotak berukuran 433 x 276
piksel dan kemudian dilakukan proses
scannning. Kriteria data dari 30 orang
tersebut sesuai dengan beberapa faktor,
seperti: jenis kelamin, usia, dan jenjang
pendidikan. Untuk jenis kelamin diambil 15
laki-laki dan 15 perempuan, dengan usia
berkisar antara 17 – 50 tahun. Sedangkan
pendidikan minimal SMA. Setelah proses
pengumpulan data tanda tangan, selanjutnya
adalah proses tahap scanning tanda tangan,
 preprocessing, deteksi tepi, dan
pengelompokan data. Kemudian dilakukan
proses pelatihan dan pengujian dengan
menggunakan metode LVQ.
7 2019 Pengenalan Wajah dengan Data Metode yang diusulkan dalam
Pose Unik menggunakan penelitian ini terdiri dari tiga tahapan utama.
Metode Learning Vector Pertama data yang berupa citra wajah
Quantization masuk menuju tahap ekstraksi ciri terlebih
dahulu untuk mengubah data citra menjadi
matriks citra kulit RGB. Di dalam ekstraksi
ciri terdapat beberapa proses yaitu resize,
RGB ke HSV, dan citra kulit RGB. Hasil
dari citra kulit RGB akan digunakan untuk
tahap klasifikasi. Tahap klasifikasi terdiri
dari dua proses utama antara lain pelatihan
LVQ dan pengujian LVQ. Setelah
didapatkan hasil dari tahap klasifikasi,
peneliti menggunakan evaluasi berupa
akurasi untuk pengenalan wajah.
Metode Learning Vector Quantization
dapat diimplementasikan untuk
pengenalan wajah. Foto atau citra yang
digunakan untuk data latih maupun
data uji merupakan foto atau citra
wajah orang yang diambil dari berbagai
sudut kemiringan dan pose wajah yang
berbeda-beda. Dibutuhkan ekstraksi
ciri yang baik untuk mendapatkan hasil
atau akurasi yang baik.
Terdapat 10 skenario pengujian untuk
menghitung akurasi dari pengenalan
wajah dengan pose unik menggunakan
metode LVQ. Hasil salah satu skenario
pengujian menunjukan akurasi terbaik
sebesar 100% untuk citra yang terdapat
sedikit noise. Kemudian ada salah satu
skenario pengujian yang menghasilkan
akurasi terburuk sebesar 0% untuk citra
yang terdapat banyak noise berupa
bayangan. Namun untuk gabungan atau
rata-rata hasil dari 10 skenario
pengujian memiliki akurasi sebesar
81,3%.
Walaupun metode LVQ merupakan
salah satu metode klasifikasi yang
dapat melakukan pembelajaran pada

8 2021 Penerapan Jaringan Syaraf Learning Vector Quantization (LVQ) adalah
Tiruan dengan Metode metode klasifikasi pada pola untuk setiap
Learning Vector unit yang ada, dan output-nya akan
Quantization (LVQ) untuk mempresentasikan kategori tertentu atau
Klasifikasi Penyakit kelas yang telah ditentukan sebelumnya.
Infeksi Kelas-kelas yang diperoleh akan bergantung
Saluran Pernapasan Akut pada jarak antar vektor input. LVQ juga
(ISPA) merupakan metode pelatihan yang
dilakukan dalam supervised learning
(pembelajaran yang terawasi) dan termasuk
dalam kategori single layer, artinya hanya
memiliki layer input dan layer output yang
saling terhubung dengan adanya suatu bobot
lapisan kompetitif yang terawasi,
namun masih memerlukan data atau
ekstraksi ciri yang baik untuk dapat
digunakan sebagai metode utama
pengenalan wajah dengan pose unik.
Saat pengambilan citra atau gambar,
sebaiknya digunakan flash atau
pencahayaan tambahan dari arah
kamera menuju arah obyek (orang yang
akan diambil citranya) agar
meminimalisir noise berupa bayangan.
Jika ingin memaksimalkan metode
LVQ dalam pengenalan wajah dengan
pose unik, ekstraksi ciri yang lebih baik
atau data yang diolah LVQ terdiri dari
ciri-ciri atau bagian khusus dari pose
yang diinginkan untuk menghasilkan
pengenalan wajah dengan pose unik
yang lebih baik.
Berdasarkan hasil analisis pelatihan
dan pengujian pada system dapat
disimpulkan sebagai berikut: (1)
Menciptakan suatu aplikasi
menggunakan jaringan syaraf tiruan
dengan metode Learning Vector
Quantization (LVQ) berhasil dibuat
dengan bantuan software Matlab, yaitu
dengan tahapan-tahapan pengambilan
data gejala umum penyakit ISPA, data
yang terkumpul akan dibagi secara
acak menjadi bobot awal, data latih dan
data uji oleh keseluruhan data. Setelah
(weight) (Fausett, 1994). menguraikan seluruh dataset, dilakukan
proses pelatihan LVQ dengan
menghitung nilai jarak dari setiap data
latih dengan data bobot. Untuk setiap
perhitungan ini, data bobot akan
diperbarui sehingga mendapatkan
bobot akhir yang akan digunakan
dalam proses pengujian LVQ.
Kemudian bobot akhir tersebut akan
menjadi penunjang untuk pengujian
dan pengklasifikasian LVQ, (2) Pada
proses pengujian didapatkan
arsitektur jaringan yang optimal
dengan menggunakan parameter
meliputi nilai 0.02 untuk learning rate,
nilai 0.01untuk
error goal, nilai 20 Untuk iterasi
maksimum, dan perbandingan data
latih dan data uji yang digunakan
adalah 80:20, (3) Tingkat akurasi
terbaik dalam mendiagnosis suspect
atau tidaknya pasien mengidap
penyakit Infeksi Saluran Pernapasan
Akut (ISPA) berdasarkan data-data
yang ada diperoleh persentase rata-rata
akurasi mencapai 96.5% dan akurasi
tertinggi sebesar 100%.
REFRENSI
Afriandi E dan Sutikno. 2016. Identifikasi Telapak Tangan Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization
(LVQ). Jurnal Infotel. Vol.8(2):107-114.
Hariri FR. 2013. Implementasi Learning Vector Quantization untuk Diagnosa Penyakit Diabetes Mellitus. Seminar Nasional
Teknologi Informasi dan Multimedia 2013. Vol.1(1): 31-38.
Heranurweni S. 2010. Pengenalan Wajah Menggunakan Learning Vector Quantization (LVQ). Prosiding Seminar Nasional Sains dan
Teknologi. Fakultas Teknik Universitas Wahid Hasyim. Vol.1(1): 66-74.
Kurniawan F dan Hani N. 2011. Simulasi Pengenalan Tulisan Menggunakan LVQ (Learning Vectror Quantization). Jurnal Komputer
dan Teknologi Informasi. Vol.4(4): 186-190.
Setyowati E dan Scolastika M. 2021. Penerapan Jaringan Syaraf Tiruan dengan Metode Learning Vector Quantization (LVQ) untuk
Klasifikasi Penyakit Infeksi Saluran Pernapasan Akut (ISPA). Prisma. Prosiding Seminar Nasional Matematika. Vol.4: 524-
523.
Sipayung YR dan Suamanda IN. 2018. Identifikasi Pola Tanda Tangan Berbasis Jaringan Syaraf Tiruan dengan Metode Learning
Vector Quantization (LVQ). Multimatrix. Vol.1(1): 13-17.
Sudirman ADB., Yuita AS dan Fitri U. 2019. Pengenalan Wajah dengan Pose Unik menggunakan Metode Learning Vector
Quantization. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. Vol.3(1): 8473-8480
Qur’aini DY dan Safrina R. 2010. Jaringan Syaraf Tiruan Learning Vector Quantization Untuk Aplikasi Pengenalan Tanda Tangan.
Seminar Nasional Aplikasi Teknologi Informasi 2010 (SNATI 2010). Yogyakarta.