Article Sidebar

Download
PDF
Statistic
Read Counter : 232 Download : 104

Downloads

Download data is not yet available.

Main Article Content

Abstract

Penelitian ini bertujuan untuk memberikan rekomendasi dari hasil perbandingan antara metode jaringan syaraf tiruan menggunakan metode backpropagation dan learning vector quantization (LVQ) dalam melakukan pengenalan pola. Kedua metode ini sering digunakan untuk aplikasi pengenalan pola, karena kedua metode ini mampu mengelompokkan pola-pola ke dalam kelas-kelas pola dan termasuk kedalam metode pembelajaran terawasi (supervised learning). Dalam penelitian ini akan dibuktikan metode backpropagation dan LVQ mampu mengenali pola bentuk geometri bangun datar serta menunjukkan metode mana yang lebih baik dalam melakukan pengenalan pola. Implementasi metode backpropagation dan learning vector quantization (LVQ) menggunakan toolbox Matlab v8.5. Hal pertama yang dilakukan adalah melakukan proses pengolahan citra yaitu proses grayscalling dan thresholding untuk mendapatkan nilai binerisasi yang akan digunakan sebagai nilai input pada JST. Setelah itu nilai input akan diproses pada metode JST backpropagation dan learning vector quantization. Dari hasil implementasi pengujian kedua metode tersebut didapatkan bahwa algoritma backpropagation lebih baik dari learning vector quantization dalam pengenalan pola bangun datar geometri.

Keywords

Kecerdasan buatan jaringan syaraf tiruan backpropagation learning vector quantization lvq bangun datar

Article Details

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Copyright (c): Yeka Hendriyani (2020)
How to Cite
Hendriyani, Y. (2020). Perbandingan Algoritma Backpropagation Dan Learning Vector Quantization (LVQ) dalam Pengenalan Pola Bangun Ruang Geometri. INVOTEK: Jurnal Inovasi Vokasional Dan Teknologi, 20(2), 59-66. https://doi.org/https://doi.org/10.24036/invotek.v20i2.746

References

  1. [1] Halim, M. I., Dwi, A., T, A. N. S., & T, C. S. S. (2017). Analisis Sentimen Menggunakan Metode Learning Vector Quantization Sentiment Analysis Using Learning Vector Quantization Method, 4(2), 2283–2292.
  2. [2] Fathia, S., 2013. Penerapan Jaringan Syaraf Tiruan Dalam Pengenalan Tulisan Tangan Huruf Korea (Hangul) Menggunakan Metode Propagasi Balik. Skripsi, Fakultas Ilmu Komputer Universitas Dian Nuswantoro. Semarang
  3. [3] Degrave, J., Hermans, M., Dambre, J., & wyffels, F. (2019). A differentiable physics engine for deep learning in robotics. Frontiers in Neurorobotics, doi:http://dx.doi.org/10.3389/fnbot.2019.00006
  4. [4] Ross, N. E., Pritchard, C. J., Rubin, D. M., & Dusé, A.,G. (2006). Automated image processing method for the diagnosis and classification of malaria on thin blood smears. Medical and Biological Engineering and Computing, 44(5), 427-36. doi:http://dx.doi.org/10.1007/s11517-006-0044-2
  5. [5] Sajjad, A. H., Naqvi, S. R., Akram, T., & Kamran, M. (2017). Prediction of critical currents for a diluted square lattice using artificial neural networks. Applied Sciences, 7(3), 238. doi:http://dx.doi.org/10.3390/app7030238
  6. [6] Parmar, K. S., & Bhardwaj, R. (2015). River water prediction modeling using neural networks, fuzzy and wavelet coupled model. Water Resources Management, 29(1), 17-33. doi:http://dx.doi.org/10.1007/s11269-014-0824-7
  7. [7] Kartal, E. (2019). The artificial neural network modeling of language learning challenges of french-speaking students learning Turkish as a foreign language: The case of france. Educational Sciences: Theory and Practice, 19(1), 55–77. https://doi.org/10.12738/estp.2019.1.0264
  8. [8] Mustafa, H. M. H., Tourkia, F. Ben, & Ramadan, R. M. (2017). An Overview on Evaluation of E-Learning/Training Response Time Considering Artificial Neural Networks Modeling. Journal of Education and E-Learning Research, 4(2), 46–62. https://doi.org/10.20448/journal.509.2017.42.46.62
  9. [9] Rachman, B., Hendriyani, Y., Budayawan, K.(2016).Perancangan dan Implementasi Sistem Pendukung Keputusan Untuk Penjurusan Siswa Menggunakan Metode Jaringan Saraf Tiruan Studi Kasus di MAN 2 Padang Panjang. Jurnal Vokasional Teknik Elektronika dan Informatika, 4(1)
  10. [10] Gustina, S., Fadlil, A., & Umar, R. (2016). Identifikasi Tanaman Kamboja menggunakan Ekstraksi Ciri Citra Daun dan Jaringan Syaraf Tiruan, 2(1), 128–132.
  11. [11] Halim, M. I., Dwi, A., T, A. N. S., & T, C. S. S. (2017). Analisis Sentimen Menggunakan Metode Learning Vector Quantization Sentiment Analysis Using Learning Vector Quantization Method, 4(2), 2283–2292.
  12. [12] Ketutsuratni. 2012. Bangun Datar Dan Bangun Ruang. https://mahasuryaa.wordpress.com/2012/01/01/bangun-ruang-dan-bangun-datar/ diakses 10 April 2018.
  13. [13] Hilton, P., & Pedersen, J. (2004). The changing shape of geometry: Celebrating a century of geometry and geometry teaching. American Scientist, 92(1), 91-92. Retrieved from https://search.proquest.com/docview/215258807?accountid=38628
  14. [14] Jogiyanto. H.M. 2008. Metodologi Penelitian Sistem Informasi. Yogyakarta:Andi
  15. [15] Chaou AK, Mekhaldi A, Teguar M (2015) Elaboration of novel image processing algorithm for arcing discharges recognition on hv polluted insulator model. IEEE Trans Dielectr Electr Insul 22:990–999
  16. [16] Fortin M, Battie MC. Quantitative paraspinal muscle measurements: inter-software reliability and agreement using OsiriX and ImageJ. Phys Ther. 2012;92(6):853–64