1. Home
  2. Lainnya

Data ke-1 R = 0,363 G = 0,353 B = 0,282 Data ke-2 R = 0,355 G = 0,367 B = 0,277 Bobot ke-2 R = 0,355 G = 0,368 B = 0,275 c. Bobot ke-3 R = 0,334 G = 0,363 B = 0,301 Data ke-3 R = 0,339 G = 0,368 B = 0,292

a. Data ke-1 R = 0,363 G = 0,353 B = 0,282

1. Target data = 1 Matang 2. Menghitung Jarak pada bobot dengan aturan Euclidean Distance : a. Bobot ke-1 R = 0,367 G = 0,352 B = 0,279 = √ = 0,005 b. Bobot ke-2 R = 0,355 G = 0,37 B = 0,273 = √ = 0,02 c. Bobot ke- 3 R = 0,334 G = 0,363 B = 0,301 = √ = 0,036 3. Jarak terdekat pada bobot ke = 1 4. Target data = Kelas jarak terdekat, maka : Bobot baru pada bobot ke = 1, yaitu : W baru = W lama + alphalearning rate x - W lama W 11 = 0,367 + 0,5 0,363 – 0,367 = 0,365 W 12 = 0,352 + 0,5 0,353 – 0,352 = 0,352 W 13 = 0,279 + 0,5 0,282 – 0,279 = 0,28 5. Jadi, bobot sekarang adalah : a. Bobot ke-1 R = 0,365 G = 0,352 B = 0,28 b. Bobot ke-2 R = 0,355 G = 0,37 B = 0,273 c. Bobot ke-3 R = 0,334 G = 0,363 B = 0,301

b. Data ke-2 R = 0,355 G = 0,367 B = 0,277

1. Target data = 2 Setengah Matang 2. Menghitung Jarak pada bobot dengan aturan Euclidean Distance : a. Bobot ke-1 R = 0,365 G = 0,352 B = 0,28 = √ = 0,018 b. Bobot ke-2 R = 0,355 G = 0,37 B = 0,273 = √ = 0,005 c. Bobot ke- 3 R = 0,334 G = 0,363 B = 0,301 = √ = 0,032 3. Jarak terdekat pada bobot ke = 2 4. Target data = Kelas jarak terdekat, maka : Bobot baru pada bobot ke = 2, yaitu : W baru = W lama + alphalearning rate x - W lama W 21 = 0,355 + 0,5 0,355 – 0,355 = 0,355 W 22 = 0,37 + 0,5 0,367 – 0,37 = 0,368 W 23 = 0,273 + 0,5 0,277 – 0,273 = 0,275 5. Jadi, bobot sekarang adalah : a. Bobot ke-1 R = 0,365 G = 0,352 B = 0,28

b. Bobot ke-2 R = 0,355 G = 0,368 B = 0,275 c. Bobot ke-3 R = 0,334 G = 0,363 B = 0,301

c. Data ke-3 R = 0,339 G = 0,368 B = 0,292

1. Target data = 3 Muda 2. Menghitung Jarak pada bobot dengan aturan Euclidean Distance : a. Bobot ke-1 R = 0,365 G = 0,352 B = 0,28 = √ = 0,018 b. Bobot ke-2 R = 0,355 G = 0,368 B = 0,275 = √ = 0,005 c. Bobot ke- 3 R = 0,334 G = 0,363 B = 0,301 = √ = 0,032 3. Jarak terdekat pada bobot ke = 3 4. Target data = Kelas jarak terdekat, maka : Bobot baru pada bobot ke = 3, yaitu : W baru = W lama + alphalearning rate x - W lama W 21 = 0,344 + 0,5 0,339 – 0,344 = 0,336 W 22 = 0,363 + 0,5 0,368 – 0,363 = 0,365 W 23 = 0,301 + 0,5 0,292 – 0,301 = 0,296 5. Jadi, bobot sekarang adalah : a. Bobot ke-1 R = 0,365 G = 0,352 B = 0,28 b. Bobot ke-2 R = 0,355 G = 0,368 B = 0,275

c. Bobot ke-3 R = 0,336 G = 0,365 B = 0,296

Dokumen yang terkait

Kombinasi Algoritma Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) Dan Self Organizing Kohonen Pada Kecepatan Pengenalan Pola Tanda Tangan

7 107 80

Pengembangan dan implementasi Learning Vector Quantization (LVQ) pada aplikasi pengenalan jenis ricikan keris Jawa berbasis smartphone

1 32 199

Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah

5 47 255

PERANGKAT LUNAK PENGENAL HURUF JAWA BERBASIS JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION

0 2 62

IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENGIDENTIFIKASI TELAPAK TANGAN DENGAN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION.

0 1 24

Modifikasi Jaringan Syaraf Tiruan Learning Vector Quantization Pada Pengenalan Wajah

0 0 17

Modifikasi Jaringan Syaraf Tiruan Learning Vector Quantization Pada Pengenalan Wajah

0 0 2

Modifikasi Jaringan Syaraf Tiruan Learning Vector Quantization Pada Pengenalan Wajah

0 0 4

Sistem Absensi Menggunakan Wajah Pada Jaringan Syaraf Tiruan Dengan Algoritma Learning Vector Quantization (LVQ)

0 0 13

IDENTIFIKASI KEMATANGAN JERUK BERDASARKAN CITRA WARNA RGB DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION

0 0 12