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 Dari penelitian yang telah dilakukan Menggunakan Learning metoda klasifkasi pola yang terawasi diambil beberapa kesimpulan yaitu : 1. Vector Quantization (supervised). vektor input tersebut akan Sistem secara keseluruhan mulai dari (LVQ) dikelompokkan dalam kelas yang sama [3]. instrumentasi yang coba dikembangkan Jaringan Learning Vector Quantization melalui kamera digital, proses (LVQ) ini memang mirip dengan jaringan segmentasi menggunakan metode yang telah dikembangkan oleh Prof. Teuvo Sobel. 2. Dengan menggunakan Kohonen pada tahun 1982. kecerdasan buatan Learning Vector Quantization (LVQ), hasil deteksi Suatu lapisan kompetitif akan secara wajah, dari 35 data citra wajah input, otomatis belajar untuk mengklasifikasikan yang digunakan untuk learning vektor-vektor input. Jika dua vektor input sebanyak 25 data citra wajah dan data mendekati sama, maka lapisan kompetitif 35 data citra wajah digunakan untuk akan meletakkan kedua vektor input mapping atau pengujian dan yang tersebut ke dalam kelas yang sama. Setelah berhasil diidentifikasi ada 30 data citra pembelajaran, lapisan Learning Vector ( 88,2%). 3. Algoritma kecerdasan Quantization (LVQ) membagi vektor input buatan Pulse Coupled Neural Network dengan penempatan lapisan Learning (PCNN) dan Learning Vector Vector Quantization (LVQ) ke kelas yang Quantization (LVQ) mampu bekerja sama sebagai unit ouput yang mempunyai secara baik dengan unjuk kerja yang vektor bobot (vektor referensi) terdekat cukup baik, Tingkat ketepatan sistem dengan vektor input.[3] Arsitektur jaringan LVQ setelah dilakukan beberapa kali syaraf Learning Vector Quantization (LVQ) proses learning (setiap gambar pada dasarnya sama dengan Kohonen Self dilakukan 2 kali proses learning) adalah Organizing Map (tanpa suatu struktur yang 86,67% 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 Hasil percobaan untuk mengetahui Tulisan Menggunakan metode untuk melakukan pembelajaran hasil keakuratan pelatihan jaringan LVQ (Learning Vector pada lapisan kompetitif yang terawasi. terhadap nilai learning rate. Percobaan Quantization) Suatu lapisan kompetitif akan secara ini dilakukan menggunakan maxepoch otomatis belajar untuk mengklasifikasikan sebanyak 10000 dan target error vektor-vektor input. Kelas yang dihasilkan sebesar 0,0001. Dari percobaan ini berdasarkan jarak vektor tersebut. Jika ada diperoleh terjadi pada learning rate dua vektor memiliki jarak yang cukup dekat 0,003 sebesar 9.12975816651136E-6. atau mendekati sama maka kedua vektor Termination Error Rate terkecil. tersebut dikelompokkan ke dalam kelas yang sama. 4 2013 Implementasi Learning Jaringan saraf tiruan Learning Vector Dari hasil percobaan dapat diketahui Vector Quantization Quantization (LVQ) telah banyak bahwa metode LVQ kurang bagus Untukdiagnosa Penyakit dimanfaatkan untuk pengenalan pola baik apabila digunakan untuk data yang Diabetes Mellitus berupa citra, suara, dan lain-lain. Jaringan range untuk tiap attribute datanya tidak LVQ sering pula digunakan untuk ekstraksi sama, sehingga perubahan nilai yang ciri (feature) pada proses awal pengenalan sama akan membawa pengaruh yang pola. Metode Jaringan Syaraf LVQ berbeda untuk tiap attribut. Dalam termasuk dengan Supervised Learning sistem pendukung keputusan penentuan dalam penentuan bobot / model penyakit Diabetes Mellitus ini, pembelajarannya, dimana pada metode dilakukan pergantian satuan untuk LVQ ditentukan hasil seperti apa selama insulin menjadi 0 /00. Dan dengan proses pembelajaran. Selama proses metode LVQ ini menghasilkan akurasi pembelajaran nilai bobot disusun dalam sebesar 86% untuk learning rate 0,01 – suatu range tertentu tergantung pada nilai 0,25 dari yang sebelumnya bila input yang diberikan. Tujuan pembelajaran menggunakan satuan % hanya bisa ini adalah pengelompokan unit-unit yang mengenali 69% data. Jadi range antar hampir sama dalam satu area tertentu. data untuk tiap atribut sangat Pembelajaran seperti ini sangat cocok untuk mempengaruhi hasil pengenalan pengelompokan (klasifikasi) pola. metode LVQ. Dari berbagai macam variasi uji coba dari jumlah data Prinsip kerja dari algoritma LVQ adalah learning dan data ujicoba, pengurangan node-node tetangganya menghasilkan akurasi yang berbeda (neighbour)[8], sehingga pada akhirnya pula. Dan dalam penelitian ini, semakin hanya ada satu node output yang terpilih banyak data learning, maka akan (winner node). Pertama kali yang dilakukan semakin baik akurasinya. Hasil terbaik adalah melakukan inisialisasi bobot untuk diperoleh dengan menggunakan 300 tiap-tiap class. Setelah diberikan bobot, data learning, dan dari 100 data maka jaringan diberi input sejumlah ujicoba, metode LVQ berhasil dimensi node/neuron input. Setelah input mengenali 86 data. Dengan rincian diterima jaringan, maka jaringan mulai untuk DM Type 2, dari 33 data berhasil melakukan perhitungan jarak vektor yang mengenali 31 (93,3%), DM Type 1, didapatkan dengan menjumlah selisih/jarak dari 33 data berhasil mengenali 29 antara vektor input dengan vektor bobot (87,8%), Negative DM, dari 34 data menggunakan Euclidean distance. berhasil mengenali 26 (76,4%). Aplikasi untuk penentuan penyakit Diabetes Mellitus ini sudah baik, Dalam penelitian ini dilakukan namun ada baiknya dikembangkan pengumpulan data-data pasien diabetes dengan menggunakan metode yang mellitus yang diperoleh dari hasil data berbeda atau dikombinasi dengan laboratorium dari pasien periode tahun 2010 metode lain. Dan untuk data learning RSUD Sidoarjo. Untuk data learning, ada ditambah supaya bisa menghasilkan 100 data untuk masingmasing class, dan ada akurasi yang lebih baik 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. 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 Metode Learning Vector Quantization Pose Unik menggunakan penelitian ini terdiri dari tiga tahapan utama. dapat diimplementasikan untuk Metode Learning Vector Pertama data yang berupa citra wajah pengenalan wajah. Foto atau citra yang Quantization masuk menuju tahap ekstraksi ciri terlebih digunakan untuk data latih maupun dahulu untuk mengubah data citra menjadi data uji merupakan foto atau citra matriks citra kulit RGB. Di dalam ekstraksi wajah orang yang diambil dari berbagai ciri terdapat beberapa proses yaitu resize, sudut kemiringan dan pose wajah yang RGB ke HSV, dan citra kulit RGB. Hasil berbeda-beda. Dibutuhkan ekstraksi dari citra kulit RGB akan digunakan untuk ciri yang baik untuk mendapatkan hasil tahap klasifikasi. Tahap klasifikasi terdiri atau akurasi yang baik. dari dua proses utama antara lain pelatihan LVQ dan pengujian LVQ. Setelah Terdapat 10 skenario pengujian untuk didapatkan hasil dari tahap klasifikasi, menghitung akurasi dari pengenalan peneliti menggunakan evaluasi berupa wajah dengan pose unik menggunakan akurasi untuk pengenalan wajah. 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 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. 8 2021 Penerapan Jaringan Syaraf Learning Vector Quantization (LVQ) adalah Berdasarkan hasil analisis pelatihan Tiruan dengan Metode metode klasifikasi pada pola untuk setiap dan pengujian pada system dapat Learning Vector unit yang ada, dan output-nya akan disimpulkan sebagai berikut: (1) Quantization (LVQ) untuk mempresentasikan kategori tertentu atau Menciptakan suatu aplikasi Klasifikasi Penyakit kelas yang telah ditentukan sebelumnya. menggunakan jaringan syaraf tiruan Infeksi Kelas-kelas yang diperoleh akan bergantung dengan metode Learning Vector Saluran Pernapasan Akut pada jarak antar vektor input. LVQ juga Quantization (LVQ) berhasil dibuat (ISPA) merupakan metode pelatihan yang dengan bantuan software Matlab, yaitu dilakukan dalam supervised learning dengan tahapan-tahapan pengambilan (pembelajaran yang terawasi) dan termasuk data gejala umum penyakit ISPA, data dalam kategori single layer, artinya hanya yang terkumpul akan dibagi secara memiliki layer input dan layer output yang acak menjadi bobot awal, data latih dan saling terhubung dengan adanya suatu bobot 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.