EVALUASI PERBANDINGAN PERFORMANSI LVQ 1, LVQ 2, DAN LVQ 3 DALAM KLASIFIKASI JENIS KELAMIN MENGGUNAKAN TULANG TENGKORAK
Abstract
Klasifikasi merupakan teknik pengelompokkan data sesuai dengan karakteristik data yang telah ditentukan. Hasil performansi akurasi dapat menjadi ukuran keakuratan metode yang digunakan dalam proses klasifikasi. Teknik pengambilan data yang tidak sesuai dapat mengurangi hasil akurasi. Pada penelitian ini menggunakan metode Learning Vector Quantization (LVQ) 1, 2, dan 3 untuk melihat keakuratan metode klasifikasi dengan menggunakan teknik pengambilan data sampling. Data yang digunakan merupakan data pengukuran tulang tengkorak laki-laki dan perempuan yang berjumlah 2524 data. Pada LVQ 1 mendapatkan akurasi terbaik yaitu 91.39% dengan learning rate 0.1, 0.4, 0.7, 0.9. LVQ 2 mendapatkan akurasi terbaik 77.05% dengan learning rate 0.9 dan window 0.2. LVQ 3 mendapatkan akurasi terbaik yaitu 80.04% dengan learning rate 0.7, window 0.1, dan epsilon 0.3. Hal ini menunjukkan bahwa LVQ 1 lebih tepat untuk diterapkan terhadap multi-fitur pada dataset William W. Howells Craniometric dibandingkan LVQ 2 dan LVQ 3.
Downloads
References
Abdillah, R., Sanjaya, S., & Afrianty, I. (2018). The Effect of Class Imbalance Against LVQ Classification. International Conference on Electrical Engineering and Informatics (ICon EEI 2018), October, 42–45.
Asadi, F., Chen, C.-A., Liu, T.-W., & Syafria, F. (2019). Acute Leukemia (ALL and AML) Classification Using Learning Vector Quantization (LVQ.1) With Blood Cell Imagery Extraction. International Journal of Modeling and Optimization, 9(3), 171–176. https://doi.org/10.7763/ijmo.2019.v9.705
Bidmos, M. A., Adebesin, A. A., Mazengenya, P., Olateju, O. I., & Adegboye, O. (2021). Estimation of sex from metatarsals using discriminant function and logistic regression analyses. Australian Journal of Forensic Sciences, 53(5), 543–556. https://doi.org/10.1080/00450618.2019.1711180
Budianita, B., Sanjaya, S., Syafria, F., & Redho. (2018). Penerapan Metode Learning Vector Quantization2 (LVQ 2) Untuk Menentukan Gangguan Kehamilan Trimester I. Jurnal Sains, Teknologi Dan Industri, 15(2), 144–151. https://doi.org/10.24014/sitekin.v15i2.4861
Fukuta, M., Kato, C., Biwasaka, H., Usui, A., Horita, T., Kanno, S., Kato, H., & Aoki, Y. (2020). Sex estimation of the pelvis by deep learning of two-dimensional depth images generated from homologous models of three-dimensional computed tomography images. Forensic Science International: Reports, 2(July), 100129. https://doi.org/10.1016/j.fsir.2020.100129
Kohonen, T. (1988). An introduction to neural computing. Neural Networks, 1(1), 3–16. https://doi.org/10.1016/0893-6080(88)90020-2
Kohonen, T. (1990a). Improved versions of learning vector quantization. 1990 IJCNN International Joint Conference on Neural Networks, 1, 545–550. https://doi.org/10.1109/IJCNN.1990.137622
Kohonen, T. (1990b). The Self-Organizing Map. Proceedings of the IEEE, 78(9), 1464–1480. https://doi.org/10.1109/5.58325
Muzaqi, K., Junaidi, A., & Saputra, W. A. (2022). Klasifikasi Status Gizi Pada Lansia Menggunakan Learning Vector Quantization 3 (LVQ 3). Journal of Dinda, 2(1), 28–36.
Toneva, D., Nikolova, S., Agre, G., Zlatareva, D., Hadjidekov, V., & Lazarov, N. (2021). Machine learning approaches for sex estimation using cranial measurements. International Journal of Legal Medicine, 135(3), 951–966. https://doi.org/10.1007/s00414-020-02460-4