Review: Algoritma Klasifikasi pada Pengenalan Pola Citra

The classification algorithm is a technique in the field of machine learning and data mining that is used to group test data based on previously mapped training data. Pattern recognition can also be classified, but not all classification algorithms can perform pattern recognition. An algorithm or classification method that can perform image recognition is that in the Artificial Neural Network method there is a Learning Vector Quantization algorithm which has the advantage of being able to summarize the data set into small and the disadvantage is that it requires calculating all attributes and Fuzzy Neural Network which has, in Lazy Learner is K-Nearest Neighbor which has the advantage of being tough against noise and the disadvantage of needing to determine the value of k and the Template Matching method which is the simplest method, has high accuracy but has the disadvantage of large computational costs if the templates used are quite diverse. With the advantages and disadvantages of the methods previously mentioned, the researcher chose to compare the algorithms or methods of Learning Vector Quantization and Template Matching to be able to see how much accuracy and computational level to recognize an object of research. Algoritma klasifikasi adalah salah satu teknik pada bidang machine learning dan data mining yang digunakan untuk mengelompokkan data uji berdasarkan data latih yang sebelumnya sudah dipetakan. Pengenalan pola juga bisa di klasifikasikan tetapi tidak semua algoritma klasifikasi dapat melakukan pengenalan pola. Algoritma atau metode klasifikasi yang dapat melakukan pengenalan citra adalah pada metode Jaringan Syaraf Tiruan terdapat algoritma Learning Vector Quantization yang memiliki kelebihan mampu meringkas data set menjadi kecil dan kekurangan diperlukan perhitungan seluruh atribut  dan Fuzzy Neural Network dimana mempunyai, pada Lazy Learner adalah K-Nearest Neighbor yang mempunyai kelebihan tangguh terhadap noise dan kekurangan perlu menentukan nilai k dan metode Template Matching yang merupakan metode paling simpel, memiliki akurasi yang tinggi tetapi memiliki kekurangan biaya komputasi yang besar jika template yang digunakan cukup beragam. Dengan kelebihan dan kekurangan dari metode – metode yang telah disebutkan sebelumnya, peneliti memilih membandingkan algoritma atau metode dari Learning Vector Quantization dan Template Matching untuk dapat melihat berapa besar akurasi dan tingkat komputasi untuk mengenali sebuah objek penelitian.