ABSTRAKSI: Pada tugas akhir ini dilakukan analisis gabungan metode Linear Discriminant Analysis (LDA) sebagai metoda untuk mengekstraksi ciri dan Jaringan Saraf Tiruan Learning Vector Quantization (LVQ) sebagai metoda untuk mengklasifikasi karakter blok angka pada meter listrik. Karakter angka yang akan diklasifikasi adalah karakter angka 0 s.d 9. Dengan menggunakan metode ini, sistem mampu mengenali 200 data training dengan akurasi sebesar 94,5% dan data validation dengan akurasi mencapai 98%.
Metoda LDA 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 LDA dilakukan dengan menggunakan 200 citra training. Proses training menggunakan 200 data latih, sedangkan untuk validation menggunakan 50 citra validation. Dari hasil pengujian pada tugas akhir ini, parameter terbaik LDA dan LVQ yaitu: dengan menggunakan 99 PC, 200 epoch, learning rate 0.05 dan 100 hidden neuron.Kata Kunci : klasifikasi angka, ekstraksi ciri, Linear Discriminant Analysis (LDA), learning, Learning Vector Quantization (LVQ)ABSTRACT: In this final project, it‟s made a systems which is combined Linear Discriminant Analysis (LDA) as a method for extracting features and Learning Vector Quantization (LVQ) Neural Network as a method to classify the character block number on the electric meter. Numeric characters that will be classified is the character numbers 0 to 9. By using this method, the system is able to recognize 200 training data with an accuracy of 94.5% and validation data with an accuracy of up to 98%.
LDA method has the ability to reduce the dimensions of the data while still maintaining the characteristics of information and data. While LVQ Neural Networks is a network with supervised learning. Advantage of LVQ is a linear layer, so have a quick learning ability. LDA feature extraction process is done using 200 training images. The training process using 200 training data, while for validation using 50 image validation. From the test results in this thesis, the best parameters of LDA and LVQ that is: by using a PC 99, 200 epoch, learning rate 0.05 and 100 hidden neurons.Keyword: numbers classification, feature extraction, Linear Discriminant Analysis (LDA), learning, Learning Vector Quantization (LVQ)