Berdasarkan daerah region-based Teknik ini merepresentasikan bentuk wilayah dengan karakteristik
internal. b.
Ekstraksi fitur tekstur Tekstur adalah salah satu bagian penting dari citra. Tekstur adalah descriptor
wilayah yang dapat membantu dalam proses pengambilan informasi. Tekstur tidak memiliki kemampuan untuk menemukan kesamaan citra namun dapat
digunakan untuk mengklasifikasikan citra bertekstur dari non-tekstur dan kemudian dapat dikombinasikan dengan fitur lainnya seperti warna untuk
mendapatkan pengambilan informasi yang lebih efektif. Tekstur menjadi karakteristik penting yang dapat digunakan dalam
pengklasifikasikan dan mengenal objek dan memiliki kemampuan menemukan persamaan antara citra-citra pada database multimedia. Pada dasarnya, metode
representasi tekstur dapat diklasifikasikan menjadi dua kategori yaitu struktural dan statistik. Beberapa metode statistik antara lain Fourier power spectra, co-
occurrence matrices, shift-invariant principal component analysis SPCA, Tamura features, Gabor and wavelet transform.
c. Ekstraksi fitur warna
Pada ciri pembeda pada ekstraksi fitur adalah warna. Ekstraksi fitur warna merupakan fitur visual yang sering digunakan pada proses pengambilan informasi
citra. Fitur warna dalam mengklasifikasikan citra memiliki keuntungan yaitu : ketahanan, efektif, implementasi yang sederhana, komputasi yang sederhana dan
kemampuan penyimpanan yang kecil. Beberapa model warna yang sering digunakan antara lain : RGB Red, Green, Blue, HSV Hue, Saturation, Value
dan Y, C
b
, C
r
Luminance and Chrominance.
2.4 Metode Zoning
Metode Zoning merupakan salah satu metode dalam ekstraksi fitur. Metode Zoning dalam proses ekstraksi fitur menghasilkan hasil yang baik dan efisien dalam proses
klasifikasi dan pengenalan Rajashekararadhya Ranjan, 2009. Setiap citra dibagi
Universitas Sumatera Utara
menjadi M x N zona dan dari setiap zona dilakukan perhitungan nilai fitur sehingga didapatkan nilai fitur dan zona M x N. Adapun proses pada metode Zoning antara
lain: Hitung jumlah piksel hitam dari setiap zona dari Z
1
sampai Z
n.
Tentukan nilai zona yang memiliki nilai piksel hitam paling tinggi. Hitung nilai fitur pada setiap zona dari Z
1
sampai Z
n
dengan persamaan 2.3.
2.5 Learning Vektor Quantization
Learning Vektor Quantization LVQ pertama kali diperkenalkan oleh Tuevo Kohonen yang memperkenalkan Self-Organizing Feature Map juga. LVQ merupakan
jaringan hybrid yang menggunakan supervised dan unsupervised learning. Metode LVQ telah digunakan oleh banyak peneliti dalam memecahkan masalah klasifikasi.
LVQ merupakan sebuah metode klasifikasi berdasarkan model kohonen yang dikenal sebagai Self-Organizing Map Network SOM. Namun LVQ merupakan
berbeda dengan SOM yang bersifat pembelajaran tidak terawasi, LVQ merupakan algoritma pembelajaran terawasi versi model Kohonen dengan arsitektur algoritma
yang sederhana sehingga hanya terdiri dari satu lapisan input dan lapisan output Azara et al, 2012.
Learning Vektor Quantization LVQ merupakan metode pola klasifikasi pada setiap unit output mewakili sebuah kelaskategori tertentu. Vektor bobot dari sebuah
unit output digunakan sebagai vektor referensi untuk sebuah unit yang diwakili oleh sebuah kelas Wahyono Ernastuti, 2009.
Arsitektur LVQ terdiri dari lapisan input input layer, lapisan kompetitif dan lapisan output output layer. Sebuah bobot akan menghubungkan lapisan input
dengan lapisan kompetitif. Pada lapisan kompetitif, proses pembelajaran dilakukan secara terawasi. Hasil lapisan kompetitif berupa kelas yang dihubungkan dengan
lapisan output oleh fungsi aktivasi. Arsitektur Jaringan LVQ dapat dilihat pada Gambar 2.2
2.3
Universitas Sumatera Utara
Keterangan :
X1, X2, ..., Xn : Nilai input ||X-W1||, ||X-Wn||: Jarak bobot
H1, H2 : Lapisan output
D1, D2 : Nilai output
N : Jumlah data
W1,Wn : Nilai Data Inisialisasi
Pada Gambar 2.2 dapat dijelaskan bahwa nilai X1 sampai nilai Xn merupakan nilai yang akan digunakan sebagai nilai input. Dengan nilai W1 sampai Wn sebagai
nilai bobot. Nilai input akan dilakukan perhitungan dengan nilai bobot untuk mendapatkan jarak bobot terkecil. H1 dan H2 akan bertindak sebagai lapisan output
dimana Lapisan ini akan mewakili satu kelas. Maka pada Gambar 2.2 dapat dilihat bahwa arsitektur memiliki 2 kelas. D1 dan D2 akan bertindak sebagai nilai output
pada lapisan output yang akan digunakan sebagai bobot pada proses pengujian.
Adapun kelebihan dari LVQ adalah : 1
Nilai error yang dihasilkan lebih kecil dibandingkan dengan jaringan syaraf tiruan Backpropagation
2 Data set yang besar dapat diringkas menjadi vektor kecil pada tahap klasifikasi
3 Tidak ada pembatasan pada dimensi codebook
4 Model yang dihasilkan dapat dilakukan perbaharuan secara bertahap
X
1
X
2
X
3
Xn ||X-W
1
||
||X-W
2
||
H1
H2
D1
D2
Gambar 2. Arsitektur jaringan LVQ
Gambar 2.2 Arsitektur Jaringan LVQ
W1
Wn
Universitas Sumatera Utara
Sedangkan Kekurangan dari LVQ antara lain : 1
Diperlukan perhitungan yang akurat terhadap jarak untuk seluruh atribut 2
Akurasi model LVQ bergantung kepada inisialisasi dan parameter yang digunakan dalam perhitungan
3 Distribusi kelas pada data training mempengaruhi nilai akurasi
4 Sulitnya jumlah vektor yang ditentukan pada masalah yang diberikan.
Parameter-parameter yang diperlukan dalam algoritma LVQ antara lain : 1.
Learning rate α merupakan nilai tingkat pelatihan. Jika α terlalu besar maka algoritma menjadi tidak stabil dan terlalu kecil maka waktu proses yang
diperlukan semakin lama. Nilai α berada pada rentang 0 α 1. 2.
Penurunan Learning rate Dec α yaitu penurunan tingkat pelatihan. Penurunan Learning rate dilakukan setelah selesai dilakukan iterasi pada
setiap data dan akan dilakukan pada iterasi yang selanjutnya. 3.
Minimimum Learning rate Min α yaitu tingkat pelatihan yang masih diperbolehkan
4. Maksimum Epoch MaxEpoch yaitu jumlah iterasi maksimum yang boleh
dilakukan selama proses pelatihan. Selama iterasi yang telah dilakukan telah mencapai iterasi maksimum, maka iterasi akan dihentikan.
Metode LVQ dilakukan dengan proses pengenalan terlebih dahulu terhadap pola input kedalam bentuk vektor untuk memudahkan proses pencarian kelas. Setiap output
menyatakan kelas tertentu maka pola input dapat dikenali kelasnya berdasarkan output yang diperoleh. LVQ mengenali pola input dengan kedekatan jarak antara vektor input
dan vektor bobot. Pada LVQ terdapat dua proses yaitu :
a. Proses Training
