Analisis kinerja metode entropy dalam penentuan bobot awal learning vector quantization pada proses klasifikasi
Teks penuh
Dokumen terkait
Berdasarkan Gambar 1, tampak bahwa dalam LVQ terdapat dua vektor bobot yang menghubungkan setiap neuron masukan dengan neuron keluaran sehingga dapat dikatakan
Berdasarkan hasil pengujian dengan simulasi beserta analisis hasil simulasi maka dapat disimpulkan bahwa algoritma entropy weight untuk menentukan bobot α secara dinamis
Hasil dari proses pembelajaran menggunakan LVQ berupa bobot yang akan digunakan untuk proses klasisfikasi dengan menghitung jarak suatu data terhadap tiap bobot
Penentuan nilai bobot pada penelitian ini dilakukan dengan tiga cara yaitu hasil perhitungan bobot dengan metode entropy, data terbaik dari perhitungan metode
Berdasarkan Gambar 1, tampak bahwa dalam LVQ terdapat dua vektor bobot yang menghubungkan setiap neuron masukan dengan neuron keluaran sehingga dapat dikatakan
Pada penelitian ini akan menerapkan variasi metode jaringan syaraf tiruan Learning Vektor Quantization 2 untuk menentukan penyakit ayam dan dapat membantu para peternak
Metode ekstraksi ciri Gabor Wavelet dan metode klasifikasi Support Vector Machine dapat digunakan untuk membentuk suatu sistem yang dapat mendeteksi bobot karkas
Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor input dengan vektor bobot dari masing- masing kelas dan vektor
