3

BAB II

TINJAUAN PUSTAKA

2.1 Tinjauan Pustaka

Dalam penelitiannya yang berjudul Optimasi Kajian produktivitas dan mutu

tembakau Temanggun berdasarkan Nilai indeks Erodibilitas dan kepadatan tanah.

Penelitian ini menitik beratkan pada kualitas tembakau berdasarkan pada kualitas

tanah daerah temanggung, dan memperhatikan kondisi kesuburan, kepadatan tanah.

Erodibilitas tanah yang mempengaruhi terhadap indeks mutu tembakau. Prasetiyo,

dkk (2016)

Dalam penelitiannya yang berjudul Implementasi Metode Canny Untuk

Deteksi Tepi Mutu Daun Tembakau, Dalam penelitian ini yang telah dilakukan,

maka diperoleh hasil dari deteksi tepi menggunakan metode Canny menghasilkan

titik tepian yang bersambung cukup jelas sehingga mempermudah dalam uji mutu

daun teambakau. Dari hasil pengujian program dengan menggunakan 30 sempel

citra daun tembakau didapat akurasi kebenaranya sebasar 90%. Arief Yudiyanto,

dkk (2014)

Dalam penelitiannya yang berjudul, Analisis Perbandingan Transformasi

Wavelet pada Pengenalan Citra, menyampaikan tentang cara untuk mengetahui

tingkat keberhasilan sistem identifikasi citra menggunakan transformasi wavelet,

mengetahui pengaruh transformasi dengan berbagai metode wavelet citra masukan

terhadap unjuk kerja sistem identifikasi citra. Citra untuk pengujian diambil di

lapangan menggunakan kamera digital. Pada pengujian awal proses transformasi

citra dmasukan menggunakan wavelet Haar hingga level 3. Pada proses pengujian

selanjutnya transformasi citra masukan akan menggunakan keluarga wavelet

Daubechies (db2) dan Coiflets (coif). Sutarno (2010),

Dalam penelitiannya yang berjudul Sistem Pengenalan Citra Jenis – Jenis

Tekstil, mengemukakan tentang cara untuk mengidentifikasi tekstil berbasis

komputer dengan memasukkan informasi dari citra kain ke dalam komputer.

Selanjutnya komputer menterjemahkan serta mengidentifikasi jenis kain tersebut.

Pada pengembangan sistem ini terdiri dari 2 tahap yaitu tahap penentuan pola

standart refrensi pada pengujian. Data yang digunakan sebagai standar refrensi

sebanyak 5 sampel untuk masing – masing jenis kain yaitu blacu, finished dan rajut.

Sedangkan untuk pengujian kerja sistem menggunakan 100 sampel untuk masing –

masing jenis kain. Pengujian unjuk kerja sistem dilakukan dengan melakukan

variasi ukuran citra dan metode matriks jarak. Hasil pengujian sistem identifikasi

citraa kain menunjukkan tingkat akurasi yang tinggi sebesar 93% untuk ukuran citra

4

asli 600x800 dengan metode interaksi ciri histogram dan teknik klasifikasi matriks

jarak Squared Chi Squared. Fadlil (2012),

Dalam penelitiannya yang berjudul Studi Kadar Nikotin dan Tar Sembilan Merk

Produk olahan tembakau Kretek Filter yang beredar diwilayah Kabupaten Nganjuk,

yang menitik beratkan penelitiannya pada kandungan tar dan nikotin hasil olahan

tembakau pada sembilan merk olahannya menunjukan kadar nikotin berkisar 1,10-

2,17%b/b, dua merk melebihi (maksimal 2,0%) . Kadar tar berkisar 0,05-

0,175%b/b, semua memenuhi standar. Kusuma, dkk (2012)

2.2 Landasan Teori

2.2.1 Bahan Tembakau

Tanaman tembakau (nicotianae tabacum L) termasuk genus Nicotinae,

serta familia Solanaceae. Spesies – spesies yang mempunyai nilai ekonomis adalah

Nicotianae Tabacum dan Nicotianae Rustica Nicotiana rustica L biasanya

digunakan untuk membuat alkoloid (sebagai bahan baku obat dan isektisida), jenis

ini banyak berkembang di Rusia dan India. Nicotiana tabacum L jenis ini umumnya

digunakan sebagai bahan baku pembuatan olahan tembakau.

Beberapa contoh dari varietas tembakau (Nicotiana tabacum) adalah :

a. Tembakau Temanggung Grade B memiliki keunggulan dibandingkan dengan

grade tembakau lain yaitu terletak pada aroma yang harum dan khas yang

mempunyai sosok ramping, ketinggian tanaman sedang sampai tinggi, daun

berbentuk lonjong yang ujungnya meruncing, warna daun kuning kecoklatan,

daun bertangkai pendek, kedudukannya pada daun kaki, jarak antara daun

satu dengan yang lain cukup lebar sehingga kelihatan kurang rimbun,

tanaman memiliki daya adaptasi yang luas terhadap tanah dan iklim.

Tembakau ini banyak ditanam didataran tinggi. (Menteri Pertanian Republik

Indonesia , 2012).

b. Tembakau Temanggung Grade C berada ketinggian tanaman sedang sampai

tinggi, daun berbentuk lonjong yang ujungnya meruncing, warna daun kuning

kecoklatan, dengan tekstur kepyar dan kurang berminyak, daun bertangkai

pendek, kedudukannya pada bawah tengah, jarak antara daun satu dengan

yang lain cukup rapat sehingga kelihatan rimbun, tanaman memiliki daya

adaptasi yang luas terhadap tanah dan iklim. Tembakau ini banyak ditanam

didataran tinggi. (Menteri Pertanian Republik Indonesia , 2012)

c. Tembakau Temanggung Grade D berada ketinggian tanaman sedang sampai

tinggi, daun berbentuk lonjong yang ujungnya meruncing, warna daun merah

kecoklatan, dengan tekstur kepyar dan antep (berat), daun bertangkai pendek,

kedudukannya pada atas tanaman tembakau, jarak antara daun satu dengan

yang lain cukup rapat sehingga kelihatan sangat rimbun, tanaman memiliki

5

daya adaptasi yang luas terhadap tanah dan iklim. Tembakau ini hanya

ditanam didataran tinggi, terutaman di daerah Temanggung Jawa Tengah.

(Menteri Pertanian Republik Indonesia , 2012)

Ada berbagai macam jenis tembakau yang dinamakan menurut tempat

penghasilnya seperti, Tembakau Deli, penghasil tembakau untuk pembuatan

cerutu. Tembakau temanggung penghasil tembakau srintil untuk sigaret.

Tembakau Vorstenlanden (Yogya-Klaten-Solo), penghasil tembakau untuk

cerutu dan tembakau sigaret (tembakau Virginia). Tembakau Besuki,

penghasil tembakau untuk sigaret. Tembakau Lombok Timur, penghasil

tembakau untuk sigaret (tembakau Virginia).

Ada juga berbagai macam jenis tembakau yang dibedakan berdasarkan iklim

tembakau yang diproduksi di Indonesia diantaranya tembakau musim

kemarau/Voor-Oogst (VO), yaitu bahan untuk membuat sigaret putih mesin

dan sigaret kretek tangan. Tembakau musim penghujan /Na-Oogst (NO),

yaitu jenis tembakau yang dipakai untuk bahan dasar membuat cerutu.

2.2.2 Citra Digital

Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari

suatu objek. Citra terbagi menjadi 2, yaitu citra yang bersifat analog dan citra yang

bersifat digital. Citra analog adalah citra yang bersifat kontinu seperti monitor

televisi, foto sinar x, hasil CT dll. Sedangkan pada citra digital adalah citra yang

dapat diolah (Sutoyo,dkk 2009).

Sebuah citra digital dapat mewakili sebuah matriks yang terdiri dari M

kolom N baris, dimana perpotongan antara kolom dan baris disebut piksel (piksel

= Picture Element), yaitu elemen terkecil dari sebuah citra. Piksel memiliki dua

parameter, yaitu koordinat (x,y) adalah f (x,y) yaitu besar intensitas atau warna dari

piksel dititik itu.

𝑓(𝑥, 𝑦) ⌈

𝑓(0,0) 𝑓(0,1) … 𝑓(0, 𝑀 − 1)𝑓(1,0) 𝑓(1,1) … 𝑓(1, 𝑀 − 1)

: : : :𝑓(𝑁 − 1,0) 𝑓(𝑁 − 1,1) … 𝑓(𝑁 − 1, 𝑀 − 1)

⌉............ (2.1)

N = Jumlah Baris 0 = y = N – 1.

M = Jumlah Kolom 0 = x = M – 1.

L = Maksimal Warna Intensitas 0 = f (x,y) = L – 1. (gray level / derajat keabuan)

Berdasarkan gambaran tersebut, secara sistematis citra digital dapat

dituliskan sebagai fungsi intensitas f(x,y), dimana harga x (baris) dan y (kolom)

6

merupakan koordinat posisi dan f(x,y) adalah nilai fungsi pada setiap titik (x,y)

yang menyatakan besar intensitas citra atau tingkat keabuan atau warna dari piksel

ditiitik tersebut. Pada proses digitalisasi (sampling dan kuantitas) diperoleh besar

baris M dan kolom N hingga citra membentuk matriks M x N dan jumlah tingkat

keabuan piksel G (Sutoyo,2009).

Pengolahan citra digital merupakan ilmu yang mempelajari hal hal yang

berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi

warna, restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi

geometrik), melakukan pemilihan citra ciri (feature images) yang optimal untuk

tujuan analisis,melakukan penarikan informasi atau deskripsi objek atau

pengenalan objek terkandung pada citra, melakukan kompresi atau reduksi data

untuk bertujuan penyimpanan data, transmisi data, dan waku proses input data.

Input dari pengolahan citra adalah citra sedangkan outputnya adalah citra hasil

pengolahan (Sutoyo, 2009).

2.2.3 Pra Proses

Pengolahan citra (image procesing) merupakan suatu sistem di mana

proses dilakukan dengan memasukan berupa citra dan hasilnya juga berupa citra.

( Yudiyanto & Murinto, 2014)

Cropping adalah proses pemotongan citra pada koordinat tertentu pada

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

bagian yang mempunyai paling banyak informasi untuk diolah menggunakan

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

menjadi kecil, sehingga akan mempercepat proses komputasi (Sutoyo, 2009).

Selain dengan menggunakan cropping, untuk mempercepat proses

komputasi dapat melakukan proses 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 (Kadir & Sutanto, 2012).

Citra digital black and white (grayscale) setiap pikselnya mempunyai

warna gradasi mulai dari putih sampai hitam. Rentang tersebut berarti bahwa setiap

piksel dapat diwakili oleh 8 bit, atau 1 byte (Kusumanto & Tompunu, 2011)

Proses grayscale dilakukan dengan mengubah citra 3 layer citra red, green

dan blue (R,G,B) menjadi citra 1 layer gray. Untuk memperbaiki kualitas dan

memperhalus citra dapat dilakukan beberapa cara, salah satunya adalah dengan

menggunakan filter median. Pada filter median, Suatu “jendela” (windows) memuat

sejumlah piksel (ganjil). Jendela digeser titik demi titik pada seluruh daerah citra.

7

Pada setiap pergeseran dibuat jendela baru. Titik tengah dari jendela ini diubah

dengan nilai median dari jendela tersebut (Munir, 2004).

2.2.4 Edge Detection

Tepi atau sisi dari sebuah obyek adalah daerah dimana terdapat perubahan

intensitas warna yang cukup tinggi. Proses deteksi tepi (edge detection) akan

melakukan konversi terhadap daerah ini menjadi dua macam nilai yaitu intesitas

warna rendah atau tinggi, contoh bernilai nol atau satu. Deteksi tepi akan

mnghasilkan nilai tinggi apabila ditemukan tepi dan nilai rendah jika sebaliknya

(Lusiana, 2013).

Deteksi tepi banyak dipakai untuk mengidentifikasi suatu obyek dalam

sebuah gambar. Tujuan dari deteksi tepi adalah untuk menandai bagian yang

menjadi detail citra dan memperbaiki detail citra yang kabur karena adanya

kerusakan atau efek akuisisi data. Dalam citra, sebagian besar informasi terletak

pada batas antara dua daerah yang berbeda (Yulianto dkk, 2009).

Pelacakan tepi merupakan operasi untuk menemukan perubahan intesita

lokal yang berbada dalam sebuah citra. Gradien adalah hasil pengukuran perubahan

dalam sebuah fungsi intesitas kontinu sebuah citra. Perubahan mendadak pada nilai

intesitas dalam suatu citra dapat dilacak menggunakan perkiraan diskrit pada

gradien. Gradien disini adalah kesamaan dua dimensi dari turunan pertama dan

didefinisikan sebagai vektor (Lusiana, 2013).

Ada beberapa metode yang terkenal dan banyak digunakan untuk

pendeteksi tepi didalam citra, yaitu operator robert, operator Prewitt dan operator

Sobel. Metode Sobel paling banyak digunakan sebagai pelacak tepi karena

kesederhanaan dan keampuhannya (Munir, 2004). Kelebihan dari metode ini adalah

kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi.

Masing-masing metode deteksi memiliki sub metode yang cukup banyak, tetapi

metode deteksi citra yang baik adalah metode yang dapat mengeliminasi derau

(noise) yang semaksimal mungkin (Ballard dkk, 1982).

Deteksi tepi (edge detection) adalah suatu proses yang menghasilkan tepi-

tepi dari obyek-obyek citra, tujuannya adalah untuk memperbaiki detail dari citra

yang kabur, yang terjadi karena error atau adanya efek dari proses akuisisi citra.

Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut

mempunyai perbedaan yang tinggi dengan tetangganya (Ramdhani dan Murinto,

2013).

Deteksi tepi operator Sobel diperkenalkan oleh Irwin Sobel pada tahun

1970. Operator ini identik dengan bentuk matriks 3x3 atau jendela ukuran 3x3piksel

(Lusiana, 2013). Operator Sobel melakukan perhitungan secara 2D terhadap suatu

ruang didalam sebuah citra. Operator ini biasanya digunakan untuk mencari gardien

8

dari masing-masing piksel citra input yang telah dikonversi ke grayscale

sebelumnya.

Operator Sobel terdiri dari matriks 3x3 masing-masing adalah Gx dan Gy.

Matriks mask tersebut dirancang untuk memberikan respon secara maksimal

terhadap tepi obyek baik horizontal maupun vertikal. Mask dapat diaplikasikan

secara terpisah terhadap input citra. Operator Sobel menggunakan kernel operator

gradien 3 x 3, dengan koefisien yang telah ditentukan. Gx dan Gy dapat dinyatakan

sebagai berikut (Munir, 2004):

𝐺𝑥 = [−1 0 1−2 0 2−1 0 1

] 𝑑𝑎𝑛 𝐺𝑦

= [1 2 10 0 0

−1 −2 −1]

………………(2.1)

Kernel diatas dirancang untuk menyelesaikan permasalahan deteksi tepi

baik secara vertikal maupun horizontal. Penggunaan kernel-kernel ini dapat

digunakan bersamaan ataupun secara terpisah (Purnomo & Muntasa, 2010)

Untuk mendapatkan nilai maksimum dari operator sobel, proses

selanjutnya adalah dengan menghitung kekuatan tepi citra terhadap warna

kecerahannya dengan cara mencari nilai magnitude yang dapat dihitung dengan

persamaan sebagai berikut (Munir, 2004):

𝑀 = √𝐺𝑥2 + 𝐺𝑦2………………………………...(2.2)

Karena menghitung akar adalah persoalaan rumit dan menghasilkan nilai

real, maka dalam mencari kekuatan tepi (magnitude) dapat disederhanakan

perhitungannya. Besarnya magnitude gradien dapat dihitung lebih cepat lagi

dengan menggunakan persamaan sebagai berikut (Munir, 2004):

𝑀 = |𝐺𝑥| + |𝐺𝑦|………………………………….(2.3)

Operasi konvolusi bekerja dengan menggeser kernel piksel per piksel,

yang hasilnya kemudian disimpan dalam matriks baru. Konvolusi pertama

9

dilakukan terhadap piksel yang bernilai 1 (di titik pusat mask). Deteksi tepi dengan

operator sobel dapat ditunjukkan pada Gambar2.1.

Gambar 2. 1 Deteksi Tepi dengan Operator Sobel (Munir, 2004)

Keterangan:

(A) = Citra asli

(B) = Gx

(C) = Gy

(D) = Hasil Konvolusi

Dalam konvolusi terdapat dua kemungkinan yang jika ditemukan, diselesaikan

dengan cara berikut, yaitu (Munir, 2004):

1. Untuk hasil konvolusi menghasilkan nilai negativ, maka nilai tersebut dijadikan

0.

2. Jika hasil konvolusi menghasilkan nilai piksel lebih besar daripada nilai keabuan

maksimum, maka nilai tersebut dijadikan nilai keabuan maksimum.

Pada matriks sobel dengan kernel 3 x 3, terlihat bahwa tidak semua piksel

dikenai konvolusi yaitu baris dan kolom yang terletak di tepi citra (border). Hal ini

disebabkan karena piksel yang berada pada tepi citra tidak memiliki tetangga yang

lengkap sehingga rumus konvolusi tidak berlaku pada piksel seperti itu. Sebagai

contoh, konvolusi tidak mungkin dilakukan pada posisi A dan B. Untuk lebih

jelasnya dapat ditunjukkan pada Gambar 2.2.

10

Gambar 2. 2 Masalah pada Konvolusi (Kadir dan Susanto, 2013)

Masalah konvolusi pada piksel yang tidak mempunyai tetangga selalu

terjadi pada piksel-piksel pinggir kanan, kiri, atas, dan bawah. Solusi untuk masalah

ini adalah :

a. Abaikan piksel pada bagian tepi.

Oleh karena pada bagian tepi citra tetangga tidak lengkap, sehingga piksel pada

posisi tersebut tidak dikenai konvolusi. Sebagai konsekuensinya, citra yang tidak

mengalami konvolusi akan diisi nol atau diisi sesuai ada citra asal. Alternatif

lain, bagian yang tidak diikutkan dalam citra hasil. Akibatnya, ukuran citra hasil

mengecil.

b. Buat baris dan kolom tambahan pada bagian tepi.

Baris dan kolom ditambahkan pada bagian tepi sehingga proses konvolusi dapat

dilaksanakan. Dalam hal ini, baris dan kolom baru diisi dengan nol.

2.2.4.1 Ekstraksi Ciri

Ekstraksi ciri merupakan suatu pengambilan ciri / feature dari suatu objek,

kemudian digunakan sebagai parameter untuk membedakan antara objek satu

dengan lainnya pada tahapan identifikasi citra. Proses ini berkaitan dengan

kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Sehingga

mendapatkan informasi kuantitatif dari ciri yang dapat membedakan kelas-kelas

suatu objek. Dalam penelitian ini menggunakan 3 ciri yaitu mean (rerata), varian,

dan standar deviasi (std). (Ningrum , Kurniawan, & Hendiyanto , 2017).

11

1.2.4.2 Mean

Nilai rata-rata dari intesitas di dalam citra atau yang disebut dengan mean

merupakan fitur yang sangat umum dalam statistika sebagai nilai yang diharapkan

untuk mencirikan suatu citra dan perhitungannya tidak memputhukan pembentukan

matriks co-occurrence terlebih dahulu. Mean atau nilai rata-rata dari intesitas dapat

didefinisikan dengan Standar deviasi (Bustomi & Dzulfikar, 2014).

2.2.4.3 Varian

Varian dalah ukuran seberapa tersebarnya data. Varian yang rendah

menandakan data yang berkelompok dekat satu sama lain. Varian yang tinggi

menandakan data yang lebih tersebar. Rumus untuk mencari varian seperti pada

persamaan 2.5. (Bustomi & Dzulfikar, 2014)

𝑆2 =∑ (𝑋𝑖−�̅�)𝑛

𝑖=12

𝑛−1 ......................................................................................(2.5)

Keterangan:

𝑆2 : varian

Xi : nilai x ke-i

�̅� : rata-rata (mean)

n : jumlah data

2.2.4.4 Standart Deviasi

Standar deviasi dapat didefinisikan dengan pengukuran untuk pemyimpangan

standar yang konsisten untuk semua distribusi normal atau cerminan dari rata-rata

penyimpangan data dari mean (Bustomi & Dzulfikar, 2014).

2.2.4.4 Fitur Vector

Setelah melakukan ekstraksi ciri dari tembakau temanggung akan diperoleh

sebuah ciri dalam bentuk vektor. Ciri tersebut kemudian disimpan dalam database

yang digunakan sebagai acuan untuk proses pelatihan. Dari proses pelatihan akan

diperoleh bobot akhir. Pengenalan data uji dilakukan dengan membandingkan

bobot akhir dengan ciri data uji, kemudian mencari jarak terdekat untuk

menentukan kelasnya. ( Nilogiri, 2016).

2.2.5 Jaringan Syaraf 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

12

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 (Sudarsono, 2016).

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 penting adalah proses belajar hubungan input/output dilakukan dengan

pembelajaran (Purnama, 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.

2.2.6 Metode Learning Vector Quantiztion

Learning Vector Quantization (LVQ) adalah metode dalam Jaringan Syaraf

Tiruan untuk melakukan pembelajaran terhadap layer yang supervised. 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).

13

Learning Vector Quantization (LVQ) merupakan suatu metode untuk

melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan

kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor

input. 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. Tujuan dari algoritma ini adalah untuk mendekati distribusi

kelas vektor untuk meminimalkan kesalahan dalam pengklasifikasian.

(Kusumadewi, 2003).

Adapun arsitektur algotitma Learning Vector Quantization dapat dilihat

pada Gambar 2.3 Arsitektur Learning Vector Quantization

Gambar 2. 3 Arsitektur Learning Vector Quantization (Kusumadewi, 2003)

14

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. Bisa dilanjutkan apabila (epocheps)

- epoch=epoch +1

- kerjakan untuk i=1 sampai n

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

- Perbaiki wj dengan ketentuan

- jika T=C maka

wj(baru)=wj(lama)+learningrate(x-wj(lama)) .............. (2.5)

- jika T!=C maka

wj(baru)=wj(lama)-learningrate(x-wj(lama)) ............... (2.6)

- mengurangi learning rate