Review: Algoritma Klasifikasi pada Pengenalan Pola Citra
DOI:
https://doi.org/10.17977/um068v2i122022p557-565Keywords:
lvq, knn, tempalte matching, pengenalan pol, klasifikasiAbstract
The classification algorithm is a technique in the field of machine learning and data mining that is used to group test data based on previously mapped training data. Pattern recognition can also be classified, but not all classification algorithms can perform pattern recognition. An algorithm or classification method that can perform image recognition is that in the Artificial Neural Network method there is a Learning Vector Quantization algorithm which has the advantage of being able to summarize the data set into small and the disadvantage is that it requires calculating all attributes and Fuzzy Neural Network which has, in Lazy Learner is K-Nearest Neighbor which has the advantage of being tough against noise and the disadvantage of needing to determine the value of k and the Template Matching method which is the simplest method, has high accuracy but has the disadvantage of large computational costs if the templates used are quite diverse. With the advantages and disadvantages of the methods previously mentioned, the researcher chose to compare the algorithms or methods of Learning Vector Quantization and Template Matching to be able to see how much accuracy and computational level to recognize an object of research.
Algoritma klasifikasi adalah salah satu teknik pada bidang machine learning dan data mining yang digunakan untuk mengelompokkan data uji berdasarkan data latih yang sebelumnya sudah dipetakan. Pengenalan pola juga bisa di klasifikasikan tetapi tidak semua algoritma klasifikasi dapat melakukan pengenalan pola. Algoritma atau metode klasifikasi yang dapat melakukan pengenalan citra adalah pada metode Jaringan Syaraf Tiruan terdapat algoritma Learning Vector Quantization yang memiliki kelebihan mampu meringkas data set menjadi kecil dan kekurangan diperlukan perhitungan seluruh atribut dan Fuzzy Neural Network dimana mempunyai, pada Lazy Learner adalah K-Nearest Neighbor yang mempunyai kelebihan tangguh terhadap noise dan kekurangan perlu menentukan nilai k dan metode Template Matching yang merupakan metode paling simpel, memiliki akurasi yang tinggi tetapi memiliki kekurangan biaya komputasi yang besar jika template yang digunakan cukup beragam. Dengan kelebihan dan kekurangan dari metode – metode yang telah disebutkan sebelumnya, peneliti memilih membandingkan algoritma atau metode dari Learning Vector Quantization dan Template Matching untuk dapat melihat berapa besar akurasi dan tingkat komputasi untuk mengenali sebuah objek penelitian.
References
R. S. Bahri and I. Maliki, “Perbandingan Algoritma Template Matching dan Feature Extraction Pada Optical Character Recognition,” J. Komput. dan Inform., vol. 1, no. I, 2012.
J. Kim, B. Kim, S. Savarese, and A. Arbor, “Comparing Image Classification Methods : K-Nearest-Neighbor and Support-Vector-Machines,” pp. 133–138.
P. Sharma and M. Kaur, “Classification in Pattern Recognition: A Review,” Int. J. Adv. Res. Comput. Sci. Softw. Eng., vol. 3, no. 4, pp. 2277–128, 2013.
M. Kocaleva, D. Stojanov, I. Stojanovik, and Z. Zdravev, “Pattern Recognition and Natural Language Processing : State of the Art,” vol. 5, no. 2, pp. 236–240, 2016.
A. G. Z and D. R. S, “Identifikasi Cacat Peluru dengan Menggunakan Pengolahan Citra Digital Berbasis Learning Vector Quantization (LVQ),” J. sains dan seni pomits, vol. 2, no. 1, pp. 1–6, 2014.
K. a Pandeiroot, A. J. Santoso, and E. Julianto, “Pengembangan aplikasi mobile untuk pengenalan pola kain bentenan dengan learning vector quantization,” Snti, pp. 3–8, 2013.
K.-S. Fu and A. Rosenfeld, “Pattern recognition and Image Processing,” Ieee Trans. Comput., vol. C–25, no. 12, p. 1336, 1976.
a H. Rangkuti, “Klasifikasi Motif Batik Berbasis Kemiripan Ciri Dengan Wavelet Transform Dan Fuzzy Neural Network,” no. 9, pp. 361–372, 2013.
J. Jing, J. Wang, P. Li, and Y. Li, “Automatic classification of woven fabric structure by using learning vector quantization,” Procedia Eng., vol. 15, pp. 5005–5009, 2011.
S. Heranurweni, J. Teknik, and E. Universitas, “Pengenalan wajah menggunakan learning vector quantization (lvq),” pp. 66–74.
E. Afriandi, “Identifikasi Telapak Tangan Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization ( LVQ ),” vol. 8, no. 2, pp. 107–114, 2016.
S. Bashyal and G. K. Venayagamoorthy, “Recognition of facial expressions using Gabor wavelets and learning vector quantization,” Eng. Appl. Artif. Intell., vol. 21, no. 7, pp. 1056–1064, 2008.
E. Wahyono and Ernastuti, “Identifikasi Nomor Polisi Mobil Menggunakan Metode Jaringan Saraf Buatan Learning Vector Quantization,” Univ. Gunadarma, pp. 1–13, 2012.
E. Purwanti and F. C. a S, “Desain Sistem Klasifikasi Kelainan Jantung menggunakan Learning Vector Quantization,” pp. 57–62, 2013.
S. Aulia, S. Hadiyoso, and D. N. Ramadan, “Analisis Perbandingan KNN dengan SVM untuk Klasifikasi Penyakit Diabetes Retinopati berdasarkan Citra Eksudat dan Mikroaneurisma,” J. ELKOMIKA -Teknik Elektro Itenas - ISSN 2338-8323, vol. 3, no. 1, pp. 75–90, 2015.
Y. R, B. Irawan, and A. B. Osmond, “Aplikasi Identifikasi Motif Batik Menggunakan Metode Ekstraksi Fitur Gray Level Co-Occurrence Matrix ( Glcm ) Berbasis Android Batik ’ S Pattern Identification Through Feature Extraction Method , Gray Level Co – Occurrence Matrix ( Glcm ), Based on Androi,” 2015.
B. Leksono, A. Hidayatno, and R. R. Isnanto, “Aplikasi Metode Template Matching untuk Klasifikasi Sidik Jari,” Transmisi, vol. 13, no. 1, pp. 1–6, 2011.
G. Nagy, “State of the Art in Pattern Recognition,” Proc. IEEE, vol. 56, no. 5, pp. 836–857, 1968.
I. Wijayanto, “Deteksi dan Idenfitikasi Plat Nomor Kendaraan Mobil menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) Berbasis Video,” telkom Univ., 2011.
S. K. Gauri, “Control chart pattern recognition using feature-based learning vector quantization,” Int. J. Adv. Manuf. Technol., vol. 48, no. 3, pp. 1061–1073, 2010.
W. M. Dessy and A. Irawan, “Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah,” J. Komput. dan Inform., vol. 1, no. 1, pp. 45–51, 2012.
A. Prabowo, E. Adi, and D. Er, “Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan,” vol. 14, pp. 147–153, 2006.
D. Harjunowibowo, “Perangkat Lunak Deteksi Uang Palsu Berbasis Lvq Memanfaatkan Ultraviolet,” Semin. Nas. Pendidik. Biol. FKIP UNS, no. November 2004, pp. 342–352, 2010.
R. N. Whidhiasih, S. Guritman, and P. T. R. I. Suprio, “Klasifikasi Kematangan Buah Manggis Ekspor dan Lokal Berdasarkan Warna dan Tekstur Menggunakan Fuzzy Neural Network Classifcation of Export and Local Mangosteen Maturity Based on Color and Texture Based using Fuzzy Neural Network,” vol. 1.
S. Nugroho Whidhiasih, Retno Guritman and P. Tri Suprio, “Identifikasi tahap kematangan buah manggis berdasarkan warna menggunakan,” Teknol. Ind. Pertan., vol. 22, no. 2, pp. 82–91, 2012.
M. I. Sikki, “Pengenalan wajah menggunakan K-Nearest Neighbour dengan Praproses Transformasi Wavelet,” J. Paradig., vol. X, no. 2, pp. 159–172, 2009.
N. Syafitri, “Vol . 2 No . 1 September 2010,” Teknol. Inf. Dan Pendidik., vol. 2, no. 1, pp. 42–53, 2010.
M. E. I. Lestari, “Penerapan Algoritma Klasifikasi Nearest Neighbor ( K-Nn ) Untuk Mendeteksi Penyakit Jantung,” vol. 7, no. September 2010, pp. 366–371, 2014.
H. Wijayanto, “Klasifikasi Batik Menggunakan Metode K-Nearest Neighbour Berdasarkan Gray Level Co-Occurrence Matrices ( Glcm ),” no. 5.
J. W. Yodha and A. W. Kurniawan, “Pengenalan Motif Batik Menggunakan Deteksi Tepi Canny Dan K-Nearest Neighbor,” Techno.COM, vol. 13, no. 4, November, pp. 251–262, 2014.
K. Ahuja and P. Tuli, “Object Recognition by Template Matching Using Correlations and Phase Angle Method,” Int. J. Adv. Res. …, vol. 2, no. 3, pp. 1368–1373, 2013.
B. K. Rajithkumar, H. S. Mohana, M. Shivakumar, and K. C. Ravishankar, “Template Matching Method for Recognition of Stone Inscripted Kannada Characters of Different Time Frames based on Correlation Analysis,” vol. 3, no. 3, pp. 127–132, 2014.
S. Mujilahwati and E. Sulistiono, “Pemanfaatan Neural Fuzzy dalam Pemilihan Hotel di Kota Surabaya Berbasis Android,” JOUTICA Press, no. 4, pp. 28–32, 2016.
R. N. Whidhiasih, S. Guritman, and P. T. R. I. Suprio, “Klasifikasi Kematangan Buah Manggis Ekspor dan Lokal Berdasarkan Warna dan Tekstur Menggunakan Fuzzy Neural Network Classifcation of Export and Local Mangosteen Maturity Based on Color and Texture Based using Fuzzy Neural Network.”
S. Hartanto, A. Sugiharto, and S. N. Endah, “Optical Character Recognition Menggunakan Algoritma Template Matching Correlation,” vol. 5, pp. 1–12, 1999.
S. Dedgaonkar, A. Chandavale, and A. Sapkal, “Survey of Methods for Character Recognition,” Int. J. Eng. Innov. Technol., vol. 1, no. 5, pp. 180–189, 2012.
M. A. Qatran, “Template Matching Method for Recognition Musnad Characters Based on Correlation Analysis,” Image (Rochester, N.Y.), pp. 1–4, 2011.
D. N. Putri, F. Rafmadhanty, I. P. Megantara, I. N. Jayanti, and K. D. Hapsari, “Klasifikasi Huruf Korea ( Hangul ) dengan Metode Template Matching Correlation,” pp. 1–5, 2014.
3.png)
1.png)
1.png)
