Analisis Accurate Learning pada Learning Vector Quantization (LVQ) Menggunakan Algoritma Genetika dalam Pengenalan Pola Alfanumerik

Abstract

Training LVQ lies in the competitive layer, where the layer will automatically learn to classify (clustering) vector input into the class. Where the generated class the input vector depends on the distance to be calculated, and taken the minimum distance, will now serve as vectors of weights and a new input vector. If there are two or more vectors are almost the same, the competitive layer will classify input vectors into the same class. In the LVQ, have drawbacks concerning the stop learning error (α), which often pass LVQ optimal solution (clustering), in this case the error rate minimal is quite clear. So that we need a specific approach to improve the accuracy learning in neural network LVQ. Approach techniques or methods to be carried into the neural network of Learning Vector Quantization (LVQ) using a genetic algorithm, with the study of the problems that used pattern recognition alphanumeric characters in the form of a binary matrix pattern [0, 1]. In the genetic algorithm has several phases, namely the formation of a population, selection, crossover, and mutation were done randomly. The purpose of this research is to improve the accurate learning of Learning Vector Quantization (LVQ) using a genetic algorithm on the introduction of alphanumeric patterns.

Pembelajaran metode LVQ berada pada lapisan kompetitif yang mana lapisan tersebut akan belajar secara otomatis untuk mengklasifikasikan (clustering) vektor input ke dalam kelasnya. Di mana kelas yang dihasilkan tersebut tergantung pada jarak vektor input yang akan dihitung dan diambil jarak minimum-nya, selanjutnya akan dijadikan sebagai vektor bobot dan vektor input baru. Apabila ada ditemukan 2 vektor yang hampir sama maka lapisan kompetitif tersebut akan mengklasifikasikan vektor input ke dalam kelas yang sama. Di dalam metode LVQ, memiliki kelemahan yang menyangkut tentang perhentian learning error (α), dimana LVQ sering melewati solusi optimal (clustering), dalam hal ini tingkat kesalahan error rate minimal yang cukup jelas. sehingga diperlukan suatu metode pendekatan tertentu untuk meningkatkan akurasi pembelajaran pada jaringan syaraf tiruan metode LVQ. Pendekatan teknik atau metode yang akan dilakukan ke dalam jaringan syaraf tiruan metode Learning Vector Quantization (LVQ) menggunakan algoritma genetika, studi permasalahannya adalah pengenalan pola karakter alfanumerik berupa pola matriks biner [0, 1]. Parameter yang digunakan dalam algoritma genetika yaitu pembentukkan populasi, seleksi, crossover, dan mutasi yang dilakukan secara acak. Tujuan penelitian ini adalah untuk meningkatkan akurasi pembelajaran (accurate learning) Learning Vector Quantization (LVQ) dengan menggunakan algoritma genetika pada pengenalan pola alfanumerik.