4

BAB II

TINJAUAN PUSTAKA DAN LANDASAN TEORI

Tinjauan Pustaka

Sebagai tinjauan pustaka berikut ini beberapa contoh penelitian yang

sudah dilakukan oleh para peneliti yang dapat digunakan sebagai acuan.

(Syah, Yusmanizar, & Maulana, 2013), dalam penelitianya yang berjudul,

“Karakteristik Fisik Bubuk Kopi Arabika Hasil Penggilingan Mekanis

Dengan Penambahan Jagung Dan Beras Ketan”, bertujuan untuk menyelidiki

karakteristik fisik bubuk kopi Arabika dengan penambahan jagung dan beras yang

digiling secara proses mekanis. Eksperimen ini menggunakan dua mesin penggiling

mekanis tipe hammer mill dan disc mill. Sebelum digiling, kopi dicampur dengan

bahan lain termasuk jagung dan beras. Parameter yang diamati adalah hasil, kadar

air, curah kerapatan, dan sudut repose, indeks keseragaman partikel, modulus

kehalusan, dan dimensi partikel rata-rata. Berdasarkan hasil yang diperoleh,

terungkap bahwa kadar air setiap pengujian masih memenuhi standar SNI dengan

maksimal 7%. Kepadatan massal bubuk kopi yang dihasilkan menggunakan disc

mill lebih tinggi dibandingkan dengan hammer mill. Namun, partikel yang

dihasilkan dari proses penggilingan dapat dikategorikan sebagai bubuk dengan

kekompakan sedang pada sudut repose. Partikel rata-rata dimensi sebanding dengan

modulus kehalusan bubuk kopi digiling. Modulus kehalusan tertinggi diperoleh dari

bubuk kopi tanpa aditif, dan menggunakan hammer mill sama dengan 4,37 dengan

dimensi rata-rata tertinggi 2,05 mm, sedangkan modulus kehalusan terendah kopi

bubuk tanpa bahan tambahan apa pun yang digiling dengan hammer mill sama

dengan 4,22, dengan rata-rata terendah dimensi 1,94 mm.

(Aris, 2016), penelitian dengan judul “Identifikasi Tekstur Citra Jenis

Tepung Dengan Metode Learning Vector Quantization”, ini bertujuan untuk

membuat perangkat lunak yang berfungsi untuk mengidentifikasi jenis tepung

menggunakan Learning Vector Quantization dan alihragam gelombang singkat

(Tranformation Wavelet). Jumlah data pelatihan yang digunakan dalam penelitian

5

ini terdiri dari 3 kelas, dan masing-masing kelas berjumlah 20 data pelatihan, jadi

total data berjumlah 60 data pelatihan. Sedangkan untuk data uji menggunakan 30

data citra. Pada proses pelatihan menggunakan parameter LVQ terdapat 6

persentase terbaik sebesar 98,33%, yaitu pada alfa 0,1 dengan dec alfa 0,1, alfa

0,01 dengan dec alfa 0,1, alfa 0,1 dengan dec alfa 0,25, alfa 0,01 dengan dec alfa

0,25, alfa 0,1 dengan dec alfa 0,5, dan alfa 0,1 dengan dec alfa 0,75. Bobot akhir

yang diperoleh dari parameter tersebut kemudian digunakan untuk melakukan

pengenalan data uji. Pelatihan dengan parameter tersebut mempunyai persentase

yang sama, akan tetapi memiliki iterasi yang berbeda. Iterasi yang paling sedikit

akan digunakan sebagai data pelatihan. Pengenalan yang dilakukan dengan bobot

akhir dari alfa 0,1 dan dec alfa 0,75 memiliki tingkat akurasi 98,33% dengan iterasi

7. Unjuk kerja terbaik dari 30 data uji menggunakan perangkat lunak ini adalah

dengan alfa 0,1 dan dec alfa 0,75 mencapai 86,66%.

(Sudibyo, Kusumaningrum, & Rachmawanto, 2018), dalam penelitianya

yang berjudul, “Optimasi Algoritma Leraning Vector Quantization (LVQ)

Dalam Pengaklasifikasian Citra Daging Sapi Dan Daging Babi Berbasis

GLCM Dan HSV”, membuat sebuah sistem yang dapat membedakan daging sapi

dengan daging babi. Penelitian ini menggunakan metode klasifikasi untuk

membedakan kedua daging. Metode klasifikasi menggunakan algoritma Learning

Vector Quantization. Dan penelitian ini memiliki tiga tahapan utama seperti

preprocessing, segmentasi warna, ekstraksi fitur, dan klasifikasi. Preprocessing

digunakan untuk mendapatkan Region of Interest (ROI) dengan memotong citra

dan mengubah ukuran citra. Segmentasi warna menggunakan metode HSV untuk

mendapatkan kedalaman warna citra dan ekstraksi fitur mengguakan Gray Level

Co-occurrence Matrix (GLCM) untuk mendapatkan fitur dari kontras, korelasi,

energi, dan homogenitas. Hasil klasifikasi dengan algoritma LVQ mendapatkan

akurasi tertinggi 76,25%. Algoritma telah diuji dengan MSE untuk mengetahui

minimum error dan PSNR digunakan sebagai pengukuran kualitas citra

pengolahan.

(Sikki, 2009), dalam penelitiannya yang berjudul “Pengenalan Wajah

Menggunakan K-Nearest Neighbour Dengan Praproses Transformasi

6

Wavelet”. Mengimplementasikan dari pengetahuan tentang transformasi wavelet

untuk praproses citra yang selanjutnya di klasifikasikan dengan menggunakan

metode k-nearest neighbour(k-nn) untuk menentukan citra biji kopi dari database-

nya. Data yang digunakan dalam percobaan adalah 80 citra yang terdiri dari 8

individu dengan masing-masing 10 citra per individu. Citra memiliki beberapa

variasi seperti tersenyum, menggunakan kacamata atau tidak, dan mata terbuka atau

tertutup. Penelitian ini fokus terhadap bagaimana membangun sebuah sistem

absensi melalui proses acquisition dengan membaca citra melalui web camera,

mempresentasikan image ke bentuk biner dengan ukuran pixel tertentu untuk

dilakukan pemisah ciri melalui transformasi wavelet dan melakukan klasifikasi pola

menggunakan k-nearest neighbour dengan memperhatikan database citra

kemudian dilakukan proses detection.

(Afriandi & Sutikno, 2016), dalam penelitannya yang berjudul

“Identifikasi Telapak Tangan Menggunakan Jaringan Syaraf Tiruan

Learning Vector Quantization (LVQ)”, dalam penelitian ini dijelaskan algoritma

yang digunakan untuk mengidentifikasi telapak tangan. Tahap perancangan proses

pada penelitian ini meliputi, grayscalling, deteksi tepi, thresholding dan pelatihan

jaringan syaraf tiruan LVQ. Selain tahap perancangan, desain antarmuka juga

ditampilkan pada penelitian ini. Identifikasi telapak tangan dengan menggunakan

pengolahan citra digital dan jaringan syaraf tiruan Learning Vector Quantization

(LVQ) memberikan rata-rata tingkat akurasi terbaik 74,66%. Hasil ini dicapai

ketika menggunakan Learning Rate 0,2, batas epoch 100 dan batas error 0,00001.

(Nicky, 2015), dalam penelitiannya yang berjudul, “Identifikasi Varietas

Durian Berdasarkan Citra Daun Menggunakan LVQ dan Ektraksi Tekstur

Discrete Wavelet Transform”, menerangkan tentang penggunaan daun pada

penelitian ini karena daun mudah didapat serta ketersediaan daun yang tidak

dipengaruhi oleh musim. Percobaan ini menggunakan 50 citra daun berukuran 251

x 501 piksel dari 5 varietas durian. Penelitian ini menghasilkan akurasi tertinggi

sebesar 70% pada DWT family Haar level 4 dengan learning rate sebesar 0,1 dan

penurunan learning rate sebesar 0,5 dan 0,7.

7

Landasan Teori

2.2.1. Kopi

Kopi merupakan salah satu komoditas perdagangan terpenting di dunia

dan dibudidayakan di banyak negara salah satunya di Indonesia. Kopi juga

merupakan salah satu komoditas perkebunan Indonesia dengan volume produksi

terbesar keenam setelah kelapa sawit, karet, kelapa, tebu, dan kakao. Tingginya

produksi kopi tersebut menempatkan Indonesia sebagai produsen kopi terbesar

ketiga di dunia dan masuk ke dalam empat pemasok kopi terbesar di dunia bersama

Brazil, Kolombia, dan Vietnam. Indonesia memiliki beragam jenis kopi yang

memiliki kekhasan dan menjadi daya tarik sehingga beragam jenis kopi tersebut

sangat diminati di pasar internasional. Produksi serta ekspor kopi Indonesia yang

tinggi juga dilakukan untuk memenuhi kebutuhan kopi dunia yang semakin

meningkat (Wulandari, 2010).

2.2.2. Citra Digital

Citra atau gambar dapat didefinisikan sebagai sebuah fungsi dua dimensi,

f(x,y) berukuran M baris dan N kolom, yang mana x dan y adalah koordinat bidang

datar, dan harga fungsi f disetiap pasangan koordinat (x,y) disebut intensitas atau

level keabuan (grey level) dari gambar di titik itu. Jika x,y dan f semuanya berhingga

(finite), dan nilainya diskrit, maka gambarnya disebut citra digital (gambar digital)

(Hermawati, 2013).

Citra digital yang tersimpan dalam larik dua dimensi tersusun atas unsur-

unsur kecil yang disebut dengan piksel. Masing-masing piksel terkait secara spasial

dengan area di permukaan bumi. Struktur array ini tersusun dalam baris horisontal

yang disebut baris (Lines) dan kolom vertikal (Samples). Masing- masing piksel

dalam raster citra menyimpan nilai tingkat kecerahan piksel yang diwujudkan

sebagai suatu angka digital. Susunan piksel dalam struktur array citra digital yang

tersebut disebut dengan data raster. Posisi koordinat dari citra digital ditunjukkan

pada Gambar 2.1.

8

Gambar 2. 1 Koordinat Citra Digital (Putra, 2010)

Citra digital dapat dibagi menjadi dua jenis. Jenis pertama adalah citra

digital yang dibentuk oleh kumpulan piksel dalam array dua dimensi. Citra jenis ini

disebut citra bitmap (bitmap image) atau citra raster (raster image). Jenis citra yang

kedua adalah citra yang dibentuk oleh fungsi-fungsi geometri dan matematika. Jenis

citra ini disebut grafik vektor (vector graphics). Matrik yang dinyatakan citra digital

yaitu dengan matriks berukuran N (baris/tinggi) x M (kolom/lebar) seperti pada

persamaan 2.1, sedangkan suatu citra f(x,y) dalam fungsi matematis dapat di

tuliskan pada persamaan 2.2, 2.3, dan 2.4.

𝑓(𝑥, 𝑦) =........................................................................................ 2. 1

0 ≤×≤ 𝑀 − 1................................................................................. 2. 2

0 ≤ 𝑦 ≤ 𝑁 − 1................................................................................. 2. 3

0 ≤ 𝑓(𝑥, 𝑦) ≤ 𝐺 − 1........................................................................ 2. 4

Dimana : M = banyaknya baris pada array citra

N = banyaknya kolom pada array citra

G = banyaknya skala keabuan (grayscale)

F = derajat intensitas piksel

9

Sebagai suatu susunan dari angka digital, beberapa bentuk operasi

matematis dapat dilakukan terhadap citra digital tersebut. Operasi matematis atas

suatu citra digital disebut dengan pengolahan citra digital. Citra digital dapat

memiliki dimensi ketiga yang disebut dengan layer. Layer adalah suatu citra yang

sama tetapi memiliki informasi yang berbeda dengan informasi pada layer lainnya.

Ada beberapa tahapan yang dilakukan dalam pembentukan citra digital

yaitu akuisisi citra, sampling dan kuantisasi. Proses akuisisi citra adalah pemetaan

suatu pandangan (scene) menjadi citra kontinyu dengan menggunakan sensor.

Sensor untuk akuisisi citra, yaitu sensor tunggal, sensor garis, dan sensor larik.

Proses selanjutnya adalah sampling, yaitu proses untuk menentukan warna pada

piksel tertentu pada citra dari sebuah gambar yang kontinyu. Pada proses sampling

dicari warna rata-rata dari gambar analog yang kemudian dibulatkan. Proses

sampling disebut juga proses digitisasi. Tahap terakhir dalam pembentukan citra

digital adalah proses kuantisasi, yang merupakan perubahan nilai amplitudo

kontinyu menjadi nilai baru yang berupa nilai diskrit. Nilai amplitudo yang

dikuantisasi adalah nilai-nilai pada koordinat diskrit hasil proses sampling.

Proses terjadinya citra berawal dari sumber cahaya menerangi objek, lalu

objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya

ini ditangkap oleh alat-alat optik, seperti mata manusia, kamera, dan scanner.

Proses pembentukan citra ditunjukan pada Gambar 2.2.

Gambar 2. 2 Proses Pembentukan Citra (Putra, 2010)

Citra digital terbagi menjadi beberapa macam yaitu citra biner, citra

grayscale, dan citra warna. Citra biner adalah citra memiliki dua buah piksel yaitu

hitam yang bernilai 0 dan putih yang bernilai 1. Oleh karena itu setiap piksel pada

citra biner direpresentasikan dengan 1 bit. Citra grayscale adalah citra yang nilai

pikselnya berada diantara 0 (hitam) dan 255 (putih). Sedangkan citra warna adalah

10

citra yang setiap pikselnya mewakili warna yang merupakan kombinasi dari tiga

warna dasar yaitu merah, hijau dan biru. Setiap warna dasar menggunakan

penyimpanan 8 bit (1 byte).

2.2.3. Preprocessing

Preprocessing adalah proses pengolahan data citra asli sebelum data

tersebut diproses berikutnya. Beberapa pra-proces yang sering digunakan adalah

proses cropping dan proses grayscale (aras keabuan).

A. Cropping

Cropping adalah proses pemotongan citra pada koordinat tertentu pada

area citra. Proses ini dilakukan untuk mengambil bagian yang dirasa penting atau

bagian yang mempunyai paling banyak informasi untuk diolah menggunakan

jaringan syaraf tiruan. Selain itu proses ini juga dapat mengubah ukuran citra

menjadi lebih kecil, sehingga akan mempercepat proses komputasi. Selain dengan

melakukan cropping, untuk mempercepat proses komputasi dapat melakukan

proses grayscale.

B. Grayscale

Grayscale adalah warna-warna piksel yang berada pada rentang gradasi

hitam dan putih yang akan menghasilkan efek warna abu-abu. Pada citra ini warna

dinyatakan dengan intensitas, dimana intensitas berkisar antara 0 sampai dengan

225, dimana 0 dinyatakan warna hitam dan 225 dinyatakan warna putih. Proses

grayscale dilakukan dengan mengubah citra 3 layer citra yaitu : red, green dan blue

(RGB) menjadi citra 1 layer gray (Kadir & Susanto, 2012).

Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-

masing RGB (Red, Green, dan Blue) menjadi citra grayscale dengan nilai s, maka

konversi dapat dilakukan dengan mengambil rata-rata dari nilai RGB (Red, Green,

dan Blue) sehingga dapat dituliskan pada persamaan 2.5.

Grayscale =𝑅+𝐺+𝐵

3..............................................................................................2. 5

11

2.2.4. Wavelet

Wavelet diartikan sebagai small wave atau gelombang singkat.

Gelombang singkat tersebut merupakan fungsi basis yang terletak pada waktu

berbeda. Alihgram wavelet merupakan alihgram yang membawa citra (signal) ke

versi pergeseran (shifted) dan penskalaan (scaled) dari gelombang singkat yang asli

(mother wawelet). Alih ragam gelombang singkat diskrit dapat dilakukan dengan

suatu pentapisan bertingkat (cascading filter), yang diikuti dengan pencuplikan

(subsampling) dengan pembagian 2 (Putra, 2010).

Transformasi wavelet selain mampu memberikan informasi frekuensi

yang muncul, juga dapat memberikan informasi tentang skala atau durasi waktu.

Wavelet dapat digunakan untuk menganalisa suatu bentuk gelombang sebagai

kombinasi dari waktu dan frekuensi. Selain itu perubahan sinyal pada suatu posisi

tertentu tidak berdampak banyak terhadap sinyal pada posisi yang lainnya. Dengan

wavelet suatu sinyal dapat disimpan lebih efisien dan lebih baik dalam hal

melakukan aproksimasi terhadap sinyal real-word. Secara umum, transformasi

wavelet dapat dinyatakan dengan rumus pada Persamaan 2.7 (Sutarno, 2010).

𝛹𝑎, 𝑏(𝑥) =1

√|𝑎|(

𝑥−𝑏

𝑎).................................................................................2. 6

a,b ϵ R; a ≠ 0 (R = bilangan nyata),

a adalah parameter penyekalan (dilatasi),

b adalah parameter penggeseran posisi (translasi) pada sumbu x,

v| | adalah normalisasi energi yang sama dengan energi induk.

Proses transformasi wavelet dilakukan pada baris terlebih dahulu,

kemudian dilanjutkan transformasi pada kolom. Untuk melihat gambar bagan

transformasi wavelet ditunjukan pada gambar 2.3.

12

Gambar 2. 3 Transformasi Wavelet (Putra, 2010)

H dan L berturut-turut menyatakan tapis yang meneruskan frekuensi

tinggi (high pass) dan tapis yang meneruskan frekuensi rendah (low pass). ↓ 2

menyatakan pencuplikan dengan pembagian 2. Pada Gambar 2.4 LL menyatakan

bagian koefisien yang diperoleh melalui proses tapis low pass dilanjutkan dengan

low pass. Citra bagian ini mirip dan merupakan versi lebih halus dari citra aslinya

sehingga koefisien pada bagian LL sering disebut dengan komponen aproksimasi.

LH menyatakan bagian koefisien yang diperoleh melalui proses tapis low pass

kemudian dilanjutkan dengan high pass. Koefisien pada bagian ini menunjukan

citra tepi dalam arah horisontal. Bagian HL diperoleh dari proses tapis high pass

kemudian dilanjutkan dengan low pass. Koefisien pada bagian ini menunjukan citra

tepi dalam arah vertikal. Bagian HH menunjukan proses tapis yang awal dengan

high pass kemudian dilanjutkan dengan high pass. Koefisien pada bagian ini

menunjukkan citra tepi dalam arah diagonal. Ketiga komponen LH, HL dan HH

disebut juga komponen detail. Hasil transformasi wavelet level 1, sering dibuat

dalam bentuk skema seperti pada gambar 2.6.

Gambar 2. 4 Skema Transformasi Wavelet (Putra, 2010)

Dimana :

LL = bagian yang di peroleh dari proses low pass dilanjutkan low pass

HL = bagian yang di peroleh dari proses high pass dilanjutkan low pass

13

LH = bagian yang di peroleh dari proses low pass dilanjutkan high pass

HH = bagian yang di peroleh dari proses high pass dilanjutkan high pass

CA = Coefficient Aproximation

CV = Coefficient Vertical

CH = Coefficient Horizontal

CD = Coefficient Diagonal

Transformasi wavelet secara konsep memang sederhana. Citra yang

semula ditransformasikan kemudian dibagi (didekompoisi) menjadi 4 sub-image

baru untuk menggantikannya. Setiap sub-image berukuran seperempat kali dari

citra asli. Satu sub-image bagian kiri atas nampak seperti citra asli dan tampak lebih

halus (smooth) karena berisi komponen frekuensi rendah dari citra asli. Berbeda

dengan 3 sub-image yang lain yang tampak lebih kasar karena berisi komponen

frekuensi tinggi dari citra asli. Sub-image tersebut dapat dibagi lagi menjadi 4 sub-

image baru. Proses demikian dapat diulang seterusnya sesuai dengan level

(tingkatan) proses transformasi yang diinginkan. Untuk lebih jelasnya contoh

wavelet level 2 ditunjukan pada gambar 2.5.

Gambar 2. 5 Contoh Transformasi Wavelet Level 2 (Putra, 2010)

14

2.2.5. Ekstraksi Ciri

Ekstraksi ciri merupakan proses mengambil informasi ciri dari suatu

bentuk, nilai yang didapat kemudian digunakan sebagai bahan analisis. Ekstraksi

ciri dilakukan untuk memperolah suatu pola dari citra yang akan digunakan untuk

pelatihan maupun citra yang akan digunakan untuk pengujian. Metode ekstraksi ciri

yang digunakan pada penelitian ini adalah ekstraksi ciri statistik. Ciri citra dihitung

menggunakan rumus sebagai berikut:

1. Mean

Mean adalah nilai rata-rata atau rata-rata dari array. Untuk vektor variable

acak A yang terdiri dari pengamatan scalar N, meannya didefinisikan pada

persamaan (2.7) : (Mathworks, 2017).

µ = 1

𝑁 ∑ 𝐴𝑖𝑁

𝑖=1 ..........................................................................2. 7

Nilai rata-rata dihitung dengan cara menjumlahkan nilai setiap piksel dari

piksel ke-1 sampai ke-N kemudian dibagi dengan jumlah piksel yang ada.

2. Standard Deviasi

Standard deviasi adalah akar kuadrat dari varian. Beberapa definisi standard

deviasi menggunakan faktor normalisasi N bukan N-1, yang dapat

ditentukan dengan menetapkan w ke 1 (Mathworks, 2017). Untuk vektor

variable acak A yang terdiri dari pengamatan skalar N , standar deviasi

didefinisikan pada persamaan (2.8) :

𝑠 = √1

𝑁−1 ∑ |𝐴𝑖

𝑁𝑖−1 − 𝜇|2............................................................2. 8

Dimana µ adalah mean dari A

𝜇 = 1

𝑁 ∑ 𝐴𝑖𝑁

𝑖=1 .............................................................................2. 9

3. Variance

Variance adalah kuadrat dari standar deviasi. Variance memberi ukuran

deviasi sinyal dari nilai meannya. Untuk input yang benar-benar nyata atau

15

imajiner, u, dengan ukuran M oleh N, variancenya diberikan oleh persamaan

(2.10) : (Mathworks, 2017)

𝑦 = ∑ ∑ |𝑢𝑖𝑗|2−

| ∑ ∑ |𝑢𝑖𝑗|2𝑁𝑗=1

𝑀𝑖=1

𝑀∗𝑁𝑁𝑗=1

𝑀𝑖=1

𝑀∗𝑁−1...............................................2. 10

uij adalah elemen data masukan pada indeks i,j.

M adalah panjang kolom jth.

N adalah jumlah kolom.

2.2.6. Jaringan Saraf Tiruan

Jaringan syaraf tiruan (artifical neural network) adalah sistem komputasi

yang arsitektur dan operasinya diilhami dari pengetahuan tentang sel syaraf biologis

di dalam otak. Jaringan syaraf tiruan merupakan salah satu representasi buatan dari

otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak

manusia tersebut. Jaringan syaraf tiruan dapat digambarkan sebagai model

matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data

cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model jaringan

syaraf biologi.

Model jaringan syaraf ditunjukkan dengan kemampuannya dalam

emulasi, analisis, prediksi dan asosiasi. Kemampuan yang dimiliki jaringan syaraf

tiruan dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari

beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang

kemungkinan output yang akan muncul atau menyimpan karakteristik input yang

diberikan kepada jaringan syaraf tiruan.

Jaringan syaraf tiruan mampu mengenali dan meniru pola pemetaan dari

pasangan sinyal input dan output yang diberikan. Proses memberikan pasangan

input dan output pada sistem jaringan syaraf tiruan (neural network) disebut sebagai

proses pembelajaran. Umumnya, jika menggunakan Jaringan Syaraf Tiruan (neural

network), hubungan antara input dan output harus diketahui secara pasti dan jika

hubungan tersebut telah diketahui maka dapat dibuat suatu model. Hal lain yang

16

penting adalah proses belajar hubungan input/output dilakukan dengan

pembelajaran (Purnama, Malik, & Sulistiyo, 2012).

JST telah dikembangkan sebagai generalisasi model matematika dari

aspek kognitif manusia atau syaraf biologis, yaitu didasarkan pada asumsi-asumsi

bahwa:

a. Pemrosesan informasi terjadi pada elemen-elemen yang disebut neuron.

b. Sinyal-sinyal merambat di antara neuron melalui interkoneksi.

c. Setiap interkoneksi memiliki bobot yang bersesuaian yang pada kebanyakan

jaringan syaraf berfungsi untuk mengalikan sinyal yang dikirim.

d. Setiap neuron menerapkan fungsi aktifasi (biasanya tidak linear) pada

masukan jaringan untuk menentukan sinyal keluarannya.

2.2.7. Learning Vector Quantization

Learning Vector Quantization (LVQ) adalah metode dalam jaringan

syaraf tiruan untuk melakukan pembelajaran terhadap layer yang supervised. Kelas-

kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung

pada jarak antara vektor-vektor input. Jika dua vektor input mendekati sama, maka

lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas

yang sama. Metode klasifikasi pola dengan setiap unit-keluaran mewakili satu kelas

tertentu atau satu kategori tertentu. Digunakan vektor acuan (Vector

Reference/Codebook). Vektor bobot dari satu unit keluaran yang menjadi acuan

bagi kelas/kategori yang diwakili oleh keluaran tersebut. Pendekatan yang

dilakukan adalah dengan mengelompokkan vektor input berdasarkan kedekatan

jarak vektor input terhadap bobot (metode kuadrat jarak Euclidean minimum)

(Hamidi, Furqon, & Rahayudi, 2017).

Dalam hal ini diberikan sehimpunan pola yang identifikasinya diketahui

diberikan bersama distribusi awal vector referensi. Setelah pelatihan jaringan LVQ

mengklasifikasikan vector masukan dalam kelas yang sama dengan unit keluaran

yang memiliki vector bobot (referensi) yang paling dekat dengan vector masukan.

Arsitektur dari LVQ ditunjukkan pada gambar 2.5.

17

Gambar 2. 6 Arsitektur Learning Vector Quantization (Qur’ani & Rosmalinda, 2010)

Keterangan:

X1,X2,...Xn = nilai input

F1,F2 = lapisan Kompetitif

Y_in = masukan lapisan kompetitif

y = output

W = vector bobot untuk unit keluaran

||X-W|| = selisih nilai jarak Euclidean antara vector masukan

Algoritma diusulkan oleh Kohonen pada tahun 1986 sebagai perbaikan

dari Vector Quantization. Model pembelajaran LVQ dilatih secara signifikan agar

lebih cepat dibandingkan algoritma lain seperti Back Propagation Neural Network.

Hal ini dapat meringkas atau mengurangi dataset besar untuk sejumlah kecil vektor.

Berikut ini adalah algoritma dari Learning Vector Quantizarion (LVQ).

1. Tetapkan bobot (W) dan maksimum epoch, learning rate, error yang

diharapkan.

2. Masukan input yang terdiri dari data input x(m,n) dan targetT(1,n)

3. Tetapkan kondisi awal (epoch=0), error yang diharapkan=1

4. Kerjakan jika (epocheps)

- epoch=epoch +1

- kerjakan untuk i=1 sampai n

- tentukan j sedemikian rupa sehingga ||x-wj|| minimum sebut dengan Ci

18

- Perbaiki wj dengan ketentuan

- jika T=C maka wj(baru)=wj(lama)+learningrate(x-wj(lama))

- jika T!=C maka wj(baru)=wj(lama)-learningrate(x-wj(lama))

- Update nilai learning rate (a dan dec a)

- Uji kondisi stop (Uji kondisi stop dilakukan jika nilai pengenalan mencapai

tertinggi dengan iterasi terkecil).

1. Setelah dilakukan pelatihan, akan diperoleh bobot-bobot akhir (W).

- Masukan input yang terdiri dari data input x(a,b) dan w(m1,n1)

- Kerjakan untuk a=1 hingga x(a,b).

- Tentukan J sedemikian hingga || x(a,b)-w(m1,n1)|| minimum. J adalah kelas

untuk x(a)

- Simpan J dan kelas