Namun dalam penelitian ini, penulis melakukan pembulatan pada nilai fitur setiap zona dengan ketentuan jika :
Pembulatan ini dilakukan agar nilai fitur yang dihasilkan akan berbentuk nilai biner yang akan digunakan sebagai nilai
input
pada proses klasifikasi pada tahap selanjutnya. Sehingga dari perhitungan zona didapat nilai fitur berupa Z1= 0, Z10=1,
Z20 = 1, Z50= 1. Dari perhitungan
zoning
pada tahap ekstraksi fitur akan menghasilkan 121 fitur yang akan digunakan sebagai nilai
input
pada proses klasifikasi menggunakan LVQ yang sesuai dengan gambar 3.11
Gambar 3.11 Nilai ekstraksi fitur menggunakan
Zoning
3.6 Klasifikasi
Setelah didapat nilai fitur pada proses ekstraksi fitur menggunakan
Zoning
, tahapan berikutnya yaitu proses klasifikasi citra menggunakan metode
learning vektor quantization
LVQ. Tahapan ini memiliki dua proses yaitu proses pelatihan dan proses pengujian. Proses pelatihan menggunakan nilai fitur yang didapat dari data
latih yang telah diekstraksi fitur. Pada proses pengujian dilakukan nilai pendekatan dengan menggunakan nilai fitur yang didapat pada data uji.
3.6.1 Learning Vektor Quantization
Dalam penelitian ini,
Learning Vektor Quantization
digunakan untuk melakukan klasifikasi pola ke dalam beberapa kelas dengan mencari bobot akhir untuk proses
klasifikasi dengan menghitung jarak antar data dan bobot akhir. Arsitektur LVQ terdiri atas dua lapisan yaitu lapisan
input
dan lapisan
output
. Lapisan
input
pada penelitian ini diperoleh dari proses ekstraksi fitur berupa 121 nilai fitur dan lapisan
output
merupakan kelas dari proses klasifikasi yaitu kelas Zn 0.5 maka Zn = 0
Zn 0.5 maka Zn = 1
Universitas Sumatera Utara
RSS1 dan kelas RSS3. Adapun arsitektur umum
Learning Vektor Quantization
LVQ dapat dilihat pada Gambar 3.12
Gambar 3.12 Arsitektur
Learning Vektor Quantization
LVQ
Keterangan :
X
1
, X
2
, X
3
,…, X
121
= Nilai
input
dari hasil ekstraksi fitur
||X-W
1
||, ||X-W
2
|| = Jarak bobot
H1, H2 = Lapisan
Output
D1, D2 = Nilai
Output
yang akan digunakan dalam proses uji
W1, W2.. W121 = Nilai data inisialisasi
3.6.2 Proses Pelatihan
Pada tahap pelatihan, algoritma LVQ akan memproses
input
dengan menerima vektor masukan sebanyak 121 fitur dengan keterangan kelas fitur tersebut. Kemudian vektor
akan menghitung jarak semua vektor pewakil untuk kelas yang ada dengan menggunakan
Euclidean distance
. Proses penerapan Algoritma
Learning Vektor Quantization
LVQ pada pelatihan digambarkan pada gambar 3.13 dibawah ini :
Universitas Sumatera Utara
Gambar 3.13 Pseudocode Penerapan Algoritma LVQ pada Citra RSS
Adapun penjelasan dari Gambar 3.13 adalah sebagai berikut : Tahap awal pada algoritma LVQ adalah tahap inisialisasi untuk penentuan
awal bobot, maksimal iterasi,
minimum error
dan
learning rate
untuk mendapatkan hasil akhir yang akurat pada citra.
Tahap selanjutnya yaitu tahap inisialisasi nilai
input
dan target dari
input
. Nilai
input
didapat dari hasil ekstraksi fitur. Pada tahap ini, setiap nilai
input
citra telah ditentukan target kelas citranya RSS1 atau RSS3.
Tahap berikutnya yaitu inisialisai kondisi awal yaitu
epoch
= 0 dan
error
= 1. Perhitungan bobot dimulai dari kondisi awal
epoch
sampai
epoch
maksimum yang telah ditentukan
Selama
epoch
lebih kecil dari Maksimal
epoch
atau α Eps maka hitung setiap bobot pada suatu
input
kemudian tetapkan bobot dengan nilai terkecil sebagai jarak terpendek pada bobot
Universitas Sumatera Utara
Tahap selanjutnya yaitu bandingkan target kelas dengan bobot. Jika Target kelas dan bobot sama maka perbaharui nilai bobot dengan persamaan berikut :
w
jbaru
= w
jlama
+ α [x-w
jlama
]
Tetapi jika target kelas dan bobot berbeda maka perbaharui nilai dengan dengan persamaan berikut:
w
jbaru
= w
jlama
+ α [x-w
jlama
]
Lakukan perhitungan yang sama seperti
input
awal pada setiap
input
dengan menggunakan bobot yang telah diperbaharui.
Setelah setiap
input
selesai dilakukan perhitungan, maka kurangi nilai
α
dan lakukan iterasi
epoch
sampai
epoch
mencapai maksimal
epoch
atau α mendekati nilai Eps
Pada tahap terakhir yaitu jika iterasi
epoch
berakhir maka tetapkan bobot baru pada
epoch
terakhir sebagai bobot akhir yang akan digunakan sebagai nilai bobot pada proses data latih.
Pada tahap pelatihan, penulis akan memaparkan proses perhitungan LVQ dalam mendapatkan nilai bobot yang akan disimpan sebagai bobot akhir yang akan
digunakan dalam tahap pengujian. Namun penulis hanya mengilustrasikan
input
hanya dalam beberapa vektor. Adapun data yang akan digunakan sebagai proses perhitungan
LVQ pada proses pelatihan dapat dilihat pada tabel 3.1
Tabel 3.1 Data Vektor
Input
No Nama Karet
X1 X2 X3 X4 X5 X6
Vektor Kelas
1
Karet1 1
1 000011
RSS1
2 Karet2
1 1
1 001101
RSS3
3
Karet3 1
1 1
1 011011
RSS1
4
Karet4 1
1 001100
RSS3
5 Karet5
1 1
1 010011
RSS1
6 Karet6
1 1
1 1
111001 RSS3
Universitas Sumatera Utara
Dari keenam data yang akan dilakukan proses pelatihan, empat data akan diambil sebagai nilai
input
. Nilai
input
dapat dilihat pada tabel 3.2.
Tabel 3.2 Tabel Nilai
Input
Pelatihan No
Nama Karet X1 X2
X3 X4 X5 X6 Vektor
Kelas 1
Karet3 1
1 1
1 011011
RSS1
2 Karet4
1 1
001100 RSS3
3 Karet5
1 1
1 010011
RSS1
4
Karet6 1
1 1
1 111001
RSS3 Dan dua data dengan kelas berbeda yakni RSS1 dan RSS akan diambil sebagai
nilai bobot untuk proses pelatihan. Nilai bobot pelatihan dapat dilihat pada tabel 3.3
Tabel 3.3. Nilai Bobot Pelatihan No
Nama Karet X1 X2
X3 X4 X5 X6 Vektor
Kelas 1
Karet1 1
1 000011
RSS1
2
Karet2 1
1 1
1 011101
RSS3 Parameter-parameter yang digunakan pada penelitian ini adalah sebagai berikut :
1.
Learning rate
α = 0.05 2.
Penurunan
Learning rate
, Dec α = 0.1
3. Minimum
Learning rate
, Min α = 0.0001 4.
Maksimum
Epoch
, Max
Epoch
= 5
Proses Perhitungan
Epoch ke-1
Data Ke-1 : 0, 1, 1, 0, 1, 1
Bobot Ke-1 : 0, 0, 0, 0, 1, 1 Jarak pada bobot ke-1
Wj = = 1.414214
Universitas Sumatera Utara
Bobot Ke-2 : 0, 0, 1, 1, 0, 0 Jarak pada bobot ke-2
Wj Wj=
= 1,732051 Jarak terpendek pada Bobot ke-1
Kelas data ke-1 RSS1 = Target Bobot ke-1 RSS1
Bobot ke-1 baru :
W
1 =
W
1
+ α X
1
– W
1
= 0 + 0.05 0-0 = 0 W
2 =
W
2
+ α X
2
– W
2
= 0 + 0.05 1-0 = 0.05 W
3 =
W
3
+ α X
3
– W
3
= 0 + 0.05 1-0 = 0.05 W
4 =
W
4
+ α X
4
– W
4
= 0 + 0.05 0-0 = 0 W
5 =
W
5
+ α X
5
– W
5
= 1 + 0.05 1-1 = 1 W
6 =
W
6
+ α X
6
– W
6
= 1 + 0.05 1-1 = 1
Wi baru = 0, 0.05, 0.05, 0, 1, 1
Setelah didapatkan nilai bobot kesatu yang baru, maka lakukan update pada bobot yang lama dan ganti dengan bobot kesatu yang baru. Nilai bobot yang baru
akan digunakan pada perhitungan data selanjutnya. Bobot baru pertama dapat dilihat pada tabel 3.4
Tabel 3.4 Nilai Bobot Pertama Baru No
Nama Karet X1
X2 X3
X4 X5 X6
Kelas 1
Karet1 0.05 0.05
1 1
RSS1
2
Karet2 1
1 1
RSS3
Data Ke-2 : 0, 0, 1, 1, 0, 0
Bobot Ke-1 : 0, 0.05, 0.05, 0, 1, 1 Jarak pada bobot ke-1
Wi = = 1.976107
Universitas Sumatera Utara
Bobot Ke-2 : 0,0, 1, 1, 0, 1 Jarak pada bobot ke-2
Wj = = 1
Jarak terpendek pada Bobot ke-2 Kelas data ke-2 RSS3 = Target Bobot ke-2 RSS3
Bobot ke-2 baru :
W
1 =
W
1
+ α X
1
– W
1
= 0 + 0.05 0-0 = 0 W
2 =
W
2
+ α X
2
– W
2
= 0 + 0.05 0-0 = 0 W
3 =
W
3
+ α X
3
– W
3
= 1 + 0.05 1-1 = 1 W
4 =
W
4
+ α X
4
– W
4
= 1 + 0.05 1-1 = 1 W
5 =
W
5
+ α X
5
– W
5
= 0 + 0.05 0-0 = 0 W
6 =
W
6
+ α X
6
– W
6
= 1 + 0.05 0-1 = 0.95
Wj baru = 0, 0, 1, 1, 0, 0.95
Setelah didapatkan nilai bobot kedua yang baru, maka lakukan update pada bobot yang lama dan ganti dengan bobot kedua yang baru. Nilai bobot yang baru
akan digunakan pada perhitungan data selanjutnya. Bobot baru kedua dapat dilihat pada tabel 3.5
Tabel 3.5 Nilai Bobot Kedua Baru No
Nama Karet X1
X2 X3
X4 X5 X6
Kelas 1
Karet1 0.05 0.05
1 1
RSS1
2 Karet2
1 1
0.95 RSS3
Proses ini diteruskan sampai data terakhir. Setelah itu proses dilanjutkan ke iterasi
epoch
ke-2 sampai
epoch
yang ditentukan . Namun sebelum dilakukan
epoch
selanjutnya, lakukan
update learning rate
α dengan Dec α.
Learning rate
harus di-
update
terlebih dahulu setiap kali akan memasuki
epoch
selanjutnya. Hasil perhitungan data setiap
epoch
dapat dilihat pada tabel 3.5.
Universitas Sumatera Utara
Tabel 3.6 Hasil Perhitungan Data Latih
Epoch
Nama
Input
Vektor Bobot
Ke-1 Bobot
Ke-2 Jarak
terdekat Bobot Ke 1 Baru
Bobot Ke-2 Baru
1 α=0.05
Karet3 011011
1.41 1.73
Bobot 1 0.05
0.05 1
1 1
1 1
Karet4 001100
1.97 1
Bobot 2 0.05
0.05 1
1 1
1 0.95
Karet5 010011
0.905 2
Bobot 1 0.097 0.047
1 1
1 1
0.95 Karet6
111001 1.929
1.73 Bobot 2
0.097 0.047 1
1 0.05
0.05 1
0.95 0.95
2 α=0.005
Karet3 011011
1.31 1.67
Bobot 1 0.1
0.05 1
1 0.05
0.05 1
0.95 0.95
Karet4 001100
1.97 0.95
Bobot 2 0.1
0.05 1
1 0.05
0.05 1
0.95 0.95
Karet5 010011
0.90 1.95
Bobot 1 0.1
0.05 1
1 0.05
0.05 1
0.95 0.95
Karet6 111001
1.92 1.64
Bobot 2 0.1
0.05 1
1 0.05 0.055
1 0.95 0.005 0.95
3 α=0.0005
Karet3 011011
1.31 1.67
Bobot 1 0.1
0.05 1
1 0.05 0.055
1 0.95 0.005 0.95
Karet4 001100
1.99 0.95
Bobot 2 0.1
0.05 1
1 0.05 0.055
1 0.95 0.005 0.95
Karet5 010011
0.905 1.94
Bobot 1 0.1
0.05 1
1 0.05 0.055
1 0.95 0.005 0.95
Karet6 111001
1.92 1.64
Bobot 2 0.1
0.05 1
1 0.05 0.055
1 0.95 0.005 0.95
Universitas Sumatera Utara
3.6.3 Proses pengujian
Dari Tabel 3.5, hasil perhitungan data latih tidak lagi mengalami perubahan di
epoch
ke- 3 dengan α = 0.0005. Sehingga bobot yang dihasilkan pada
epoch
terakhir pada data terakhir akan dijadikan nilai bobot pada data uji dalam proses klasifikasi. Adapun
hasil bobot akhir yang akan digunakan pada data uji dapat dilihat pada tabel 3.6
Tabel 3.7 Nilai Bobot Data Uji No
Jenis Bobot X1
X2 X3
X4 X5
X6 Kelas
1 Bobot Ke 1
0.1 0.05
1 1
RSS1 2
Bobot ke -2 0.05
0.055 1
0.95 0.005
0.95 RSS3
Pada tahap pengujian, data
input
diklasifikasikan dengan cara yang sama dengan tahap pelatihan yaitu dengan menghitung nilai setiap bobot pada
input
dan memilih jarak terkecil pada kedua bobot. Nilai pada jarak bobot terkecil akan mewakili kelas
pada citra masukan. Adapun alur
flowchart
pada proses pengujian dapat dilihat pada gambar 3.14
Gambar 3.14
Flowchart
Proses Pengujian
Universitas Sumatera Utara
3.7 Rancangan Tampilan Antarmuka
