PENGENALAN TANAMAN HERBAL MENGGUNAKAN ALGORITMA LEARNING VECTOR QUANTIZATION DAN MANHATTAN DISTANCE

Jaringan learning vector quantization (LVQ) telah dikenal secara luas untuk melakukan berbagai teknik klasifikasi, seperti pengenalan pola yang menunjukkan perolehan hasil yang baik. Permasalahan yang umum ditemukan pada penerapan jaringan LVQ, yaitu dalam penentuan bobot awal jaringan. Beberapa metode telah diusulkan untuk perbaikan bobot awal pada jaringan LVQ agar memperoleh akurasi yang optimal. Pada penelitian ini, metode Manhattan distance akan digunakan untuk pemilihan bobot awal pada jaringan LVQ. Metode ini merupakan metode pengukuran jarak kemiripan data yang dapat menentukan bobot awal berdasarkan kemiripan tertinggi yang berada dalam kelompok yang sama. Perolehan nilai dengan kemiripan tertinggi pada data tersebut digunakan sebagai bobot awal jaringan LVQ. Berdasarkan hasil pengujian yang dilakukan untuk pengenalan tanaman herbal dengan metode LVQ dan Manhattan memperoleh akurasi sebesar 81,33%. Sedangkan pada pengujian menggunakan metode LVQ memperoleh akurasi sebesar 78,67%. Peningkatan akurasi pengenalan tanaman herbal dengan menerapkan metode yang diusulkan sebesar 2,66%. Sehingga dapat disimpulkan bahwa metode Manhattan di dalam jaringan LVQ memiliki pengaruh yang baik di dalam penentuan bobot awal jaringan LVQ