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.

Performance Analysis of LVQ 1 Using Feature Selection Gain Ratio for Sex Classification in Forensic Anthropology

“…The results of the comparison of the two highest accuracy results in samples I -IX with GR 0.01 and without GR c. Best Accuracy Results of LVQ 1 with Gain Ratio with Default Threshold and Without Gain RasioThe best accuracy result obtained by LVQ1 using Gain Ratio with default threshold Weka(-1.7976931348623157E308) is with the first workflow. The following is the comparison result of LVQ 1 accuracy using Gain Ratio feature selection with threshold 0.01, which does not use feature selection in previous research[11]. In Figure4, the best accuracy comparison results are obtained in sample II using GR with a value of α = 0.1 which is 92.19%, while in previous research or without Gain Ratio only has the best result of 88.45% at α = 0.1.…”

“…In this research applying the Min-Max normalization method. Normalization is done by mapping into numbers between 0 and 1 [11], [20].…”

“…In the previous research (Darmila et al, 2022), the implementation of LVQ 1, LVQ 2, and LVQ 3 methods on sex classification based on skull measurements got the best accuracy in LVQ 1 method with accuracy reaching 91.39% with learning rate (α) 0.1, 0.4, 0.7, 0.9, subtractor_alfa value 0.01, min_alfa.0.01. Therefore, the previous research became a benchmark to compare the accuracy results in this research with the same classification method, namely LVQ 1 [11].…”