Perbandingan PNN dan LVQ dalam Identifikasi Jenis Bercak pada Daun Cabai

Article Sidebar

PDF
Published: Apr 2, 2017
Keywords:
Identifikasi, k-fold CV, LVQ, PNN, Test error

Main Article Content

Jaka Permadi
Politeknik Negeri Tanah Laut

Abstract

Learning Vector Quantization (LVQ) dan Probabilistic Neural Network (PNN) adalah dua buah metode dari Jaringan Syaraf Tiruan. Untuk beberapa kasus, dapat dikatakan LVQ dan PNN memiliki kemampuan yang setara dalam kasus klasifikasi, seperti identifikasi atau deteksi. Pada penelitian ini, dilakukan perbandingan kemampuan LVQ dengan PNN untuk identifikasi jenis bercak pada daun dengan memanfaatkan metode cross validation k-fold CV. Hasil dari penelitian yang dilakukan LVQ memiliki estimasi test error sebesar 0.4227 dengan akurasi validasi tertinggi sebesar 62.89%. Hasil yang dimiliki LVQ ini lebih baik daripada PNN dengan nilai estimasi test error sebesar 0.4495 dengan akurasi validasi tertinggi sebesar 59.79%. Dengan kata lain LVQ lebih baik daripada PNN dalam kasus identifikasi jenis bercak pada daun cabai berdasarkan citra daun tersebut.


 


Kata Kunci: Identifikasi, k-fold CV, LVQ, PNN, Test error.

Article Details

Issue
Vol. 2 No. 2 (2016): Jurnal Sains dan Informatika
Section
Articles
Author Biography

Jaka Permadi, Politeknik Negeri Tanah Laut

Jurusan Teknik Informatika, Politeknik Negeri Tanah Laut

References

Chen, C.-H., Lee, J.-D. & Lin, M.-C. 2000. Classification of Underwater Signals Using Neural Networks. Tamkang Journal of Science and Engineering. Vol 3, No1 : 31-48.
Fausett, L. 1994. Fundamentals of Neural Networks : Architectures, Algorithms, and Applications. New Jersey : Prentice-Hall.
George, Y.M., Elbagoury, B.M., Zayed, H.H. & Roushdy, M.I. 2012. Breast Fine Needle Tumor Classification using Neural Networks. IJCSI. Vol 9, Issue 5, No 2 : 247-256.
Haykin, S. 1999. Neural Networks a Comprehensive Foundation Second Edition. Singapore : Pearson Education.
James, G., Witten, D., Hastie, T. & Tibshirani, R. 2013. An Introduction to Statistical Learning with Applications in R. New York : Springer.
Liu, J., Zheng, K., Zhang, H. & Peng, D. 2013. A Comparative Research on Power Transformer Fault Diagnosis Based on Several Artificial Neural Networks. Journal of Computational Information Systems. Vol 9, No 18 : 7501-7508.
Mao, K.Z., Tan, K.-C. & Ser, W. 2000, Probabilistic Neural-Network Structure Determination for Pattern Classification. IEEE Transactions on Neural Networks, Vol 11, No 4 : 1009–1016.
Permadi, J. 2016. Identifikasi Penyakit Cabai Berdasarkan Gejala Bercak Daun dan Penampakan Conidia Menggunakan Probabilistic Neural Network. Tesis. Yogyakarta : Ilmu Komputer FMIPA UGM.
Theodoridis, S. & Koutroumbas, K. 2009. Pattern Recognition Fourth Edition. Burlington : Academic Press.