ABSTRAKSI: Pada tugas akhir ini dilakukan analisis gabungan metode Principal Component Analysis (PCA) sebagai metoda untuk mengekstraksi ciri dan Jaringan Saraf Tiruan Learning Vector Quantization (LVQ) sebagai metoda untuk mengklasifikasi kendaraan yang masuk ke jalan tol. Jenis kendaraan yang akan diklasifikasi adalah kendaraan golongan I, II dan III. Jenis Kendaraan yang termasuk golongan I, yaitu: sedan, mini sedan, niaga/minibus, pick up, bus dan truk kecil. Kendaraan golongan II, yaitu truk dua gandar dan golongan III, yaitu truk tiga gandar. Dengan menggunakan metode ini, sistem mampu mengenali 80 data uji dengan akurasi sebesar 85% dan data latih dengan akurasi mencapai 90%.
Metoda PCA memiliki kemampuan mereduksi dimensi data namun tetap mempertahankan informasi dan karakteristik data tersebut. Sedangkan Jaringan Saraf Tiruan LVQ merupakan jaringan dengan pembelajaran yang terawasi (supervised learning). Keunggulan dari LVQ yaitu memiliki linear layer, sehingga memiliki kemampuan pembelajaran yang cepat. Proses ekstraksi ciri PCA dilakukan dengan menggunakan 120 citra latih. Proses training menggunakan 120 data latih, sedangkan untuk pengujian menggunakan 80 citra uji. Dari hasil pengujian pada tugas akhir ini, parameter terbaik PCA dan LVQ yaitu: dengan menggunakan 100 PC, 2000 epoch, learning rate 0.0075 dan 32 hidden neuron.Kata Kunci : klasifikasi kendaraan, ekstraksi ciri, Principal Component AnalysisABSTRACT: In this final project, it’s made a systems which is combined Principal Component Analysis (PCA) as a method for extracting features and Learning Vector Quantization (LVQ) Neural Network as a method to classify vehicles which entering the highway. Type of vehicle is that will be classified are class I, II and III. Vehicle types included class I, ie: sedan, mini sedan, minibus, pick up, bus and small truck. Vehicle class II, ie: two-axle truck and class II,ie three-axle truck. By using this method, the systems can recognize 80 testing data with accuracy of 85% and training data with accuracy of 90%.
PCA method has ability ro reduce the dimensions of the data that still maintaining the characteristics and information data. Meanwhile, LVQ Neural Network is a network with a supervised learning. The advantages of LVQ is has a linear layer, so it has a fast learning ability. Feature extraction with PCA using 120 images data. Training process using 120 training data and whereas testing process using 80 testing data. From the result of the final project, the best parameters of PCA and LVQ are 150 PCs, 2000 epoch, learning rate 0.0075 and 32 hidden neurons.Keyword: vehicles classification, feature extraction, Principal Component