BAB II TINJAUAN PUSTAKA

Transkripsi

1 BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Emprs Pada peneltan n, penelt menggunakan beberapa peneltan terkat yang pernah dlakukan oleh penelt lan sebaga tnjauan stud, yatu sebaga berkut : a. Pornography Detecton Usng Support Vector Machne. (Yu-Chun Ln, 2003) Dalam peneltan n dlakukan deteks ctra pornograf menggunakan algortma Support Vector Machne (SVM) untuk pengenalan polanya dan dstrbus warna kult, yang menghaslkan akuras sebesar 74,62%. Namun, metode n memlk kekurangan yatu banyak pada ctra bukan porno yang mengandung banyak warna kult ddeteks sebaga ctra pornograf. Begtu juga sebalknya, ctra pornograf yang mengandung sedkt warna kult ddeteks sebaga bukan ctra pornograf b. Automatc Onlne Porn Detecton and Trackng. (Johnson I Agbnya, 2007) Peneltan n melakukan deteks otomats ctra pornograf onlne dengan melakukan segmentas area kult manusa dengan ruang warna HSV, jka area kult pada sebuah ctra lebh dar 20% akan dsmpulkan bahwa ctra tersebut merupakan ctra pornograf. Metode n memlk kelemahan, yatu pada ctra yang bukan porno dengan luasan warna sepert warna kult akan ddeteks sebaga ctra pornograf. c. Pengenalan Ctra Wajah Menggunakan Metode Two-Dmensonal Lnear Dscrmnant Analyss dan Support Vector Machne. (Ftr Damayant,2010) Peneltan n membahas mengena pengenalan ctra wajah dengan menggunakan metode ekstraks ftur TDLDA dan klasfkas SVM. Dengan kombnas kedua metode tersebut memberkan hasl yang optmal dengan tngkat akuras pengenalan antara 84,18% sampa 100% dengan uj coba menggunakan bass data ORL, YALE, dan BERN. 7

2 8 d. Pengenalan Wajah Menggunakan Learnng Vector Quantzaton (LVQ). (S. Heranurwen, 2010) Peneltan n membahas mengena pengenalan wajah dengan menggunakan menggunakan metode Learnng Vector Quantzaton (LVQ). Dalam menganalsa menggunakan prortas (perngkat) hasl dar LVQ. Adapun urutan algortma sstem n adalah segmentas wajah, mencar bentuk deret dengan algortma pembelajaran dengan Learnng Vector Quantzaton. Sstem kecerdasan buatan LVQ termodfkas mampu mendeteks secara bak apakah pada data ctra tersebut dkenal atau tdak. Tngkat ketepatan sstem LVQ setelah dlakukan beberapa kal proses learnng (setap gambar dlakukan 2 kal proses learnng) adalah 88,67% benar. Dalam beberapa peneltan deteks ponograf yang telah dlakukan sebelumnya, hanya berpatokan pada warna kultnya saja yang tentu saja memlk kelemahan dalam pendeteksan pada ctra yang bukan porno dengan luasan warna sepert warna kult akan ddeteks sebaga ctra pornograf. Demkan juga untuk ctra pornograf yang memlk luasan warna kult ddeteks sebaga bukan ctra pornograf. Adapun konten-konten pornograf bsa dlhat dar s yang terdapat d dalam konten tersebut, msalnya pada ctra manusa yang akan menjad suatu ctra pornograf jka bagan tubuh tertentunya tdak tertutup. Pengenalan s dar konten-konten pornograf tersebut tentu saja memerlukan metode tertentu bak dalam klasfkas ataupun untuk mengekstras ftur dar suatu konten tersebut. Dalam peneltan yang sudah dlakukan mengena pengenalan ctra wajah dengan menggunakan metode ekstraks ftur TDLDA dan klasfkas SVM, memberkan hasl yang optmal dengan tngkat akuras pengenalan antara 84,18% sampa 100%. Sedangkan dengan menggunakan metode klasfkas LVQ mendapatkan hasl 88,67%. Adapun dalam peneltan n akan dlakukan pengenalan pornograf dengan mengenal bagan yang danggap termasuk objek peneltan, dengan menggunakan metode klasfkas Artfcal Neural Network (ANN) yatu Learnng Vector

3 9 Quantzaton karena menghaslkan akuras yang cukup bagus pada peneltan sebelumnya dan akan dkombnaskan dengan metode Two Dmensonal Lnear Dscrmnant Analyss untuk proses ekstraks fturnya untuk melhat pengaruh dar metode ekstraks ftur dalam pengenalannya. 2.2 Tnjauan Teorts Pornograf Pornograf pada umumnya adalah tulsan, gambar, atau produk audo-vsual yang dapat merangsang nafsu seksual pada pembaca dan penontonnya. Pada umumnya belum ada krtera yang jelas kapan suatu produk dkategorkan sebaga porno dan kapan dblang tdak porno. Krtera dapat merangsang garah seksual orang lan yang selama n dpaka sebaga patokan memang sangat relatf. Betapapun juga ketentuan tentang pornograf adalah salah satu bentuk ntervens pemerntah dalam mengatur perlaku seks warganya dengan alasan untuk menjaga moral bangsa (Wdart, 2008). Dalam Bab I Ketentuan Umum Pasal 1 (UU Pornograf) yang dmaksud dengan jasa pornograf adalah segala jens layanan pornograf yang dsedakan oleh orang perseorangan atau korporas melalu pertunjukan langsung, televs kabel, televs teresteral, rado, telepon, nternet, dan komunkas elektronk lannya serta surat kabar, majalah, dan barang cetakan lannya Vdeo Vdeo dgtal dapat dsebut array 3 dmens dar pksel berwarna. 2 dmens melayan arah spasal dar gambar bergerak (horzontal dan vertkal) dan satu dmens lannya akan merepresentaskan doman waktu (Bnanto, 2010). Arstektur vdeo dgtal tersusun atas sebuah format untuk mengodekan dan memankan kembal fle vdeo dengan komputer dan menyertakan sebuah pemutar (player) yang mengenal dan membuka fle yang dbuat untuk format tersebut. Contoh arstektur vdeo dgtal d antaranya adalah Apple QuckTme, Mcrosoft Wndows Meda Format, dan Real Network RealMeda. Format vdeo yang terkat dengan arstektur tersebut adalah QuckTme move (.mov), Audo Vdeo

4 10 Interleaved (.av), dan RealMeda (.rm). beberapa pemutar dapat mengenal dan memankan lebh dar satu format fle vdeo. Vdeo dgtal sebenarnya terdr atas serangkaan gambar dgtal yang dtamplkan dengan cepat pada kecepatan yang konstan. Dalam konteks vdeo, gambar n dsebut frame. Satuan ukuran untuk menghtung frame rata-rata yang dtamplkan dsebut frame per second. Setap frame merupakan gambar dgtal yang terdr dar raster pksel. Gambar dgtal yang terdr dar raster pksel. Gambar dgtal akan mempunya lebar sebanyak W pksel dan tngg sebanyak H pkel. Oleh karena tu, dapat dkatakan bahwa frame sze adalah W x H Pengolahan Ctra Ctra adalah gambar pada bdang dwmatra (dua dmens). Gambar 2.1 adalah ctra seorang gads model yang bernama Lena. Dtnjau dar sudut pandang matemats, ctra merupakan fungs menerus (contnue) dar ntenstas cahaya pada bdang dwmatra. Sumber cahaya menerang objek, objek memantulkan kembal sebagan dar berkas cahaya tersebut. Pantulan cahaya n dtangkap oleh oleh alatalat optk, msalnya mata pada manusa, kamera, pemnda (scanner), dan sebaganya, sehngga bayangan objek yang dsebut ctra tersebut terekam. Gambar 2.1 Ctra Lena (Sumber : Munr, 2004)

5 11 Meskpun sebuah ctra kaya nformas, namun serngkal ctra yang kta mlk mengalam penurunan mutu (degradas), msalnya mengandung cacat atau derau (nose), warnanya terlalu kontras, kurang tajam, kabur (blurrng), dan sebaganya. Tentu saja ctra semacam n menjad lebh sult dnterpretas karena nformas yang dsampakan oleh ctra tersebut menjad berkurang. Agar ctra yang mengalam gangguan mudah dnterpretas (bak oleh manusa maupun mesn), maka ctra tersebut perlu dmanpulas menjad ctra lan yang kualtasnya lebh bak. Bdang stud yang menyangkut hal n adalah pengolahan ctra (mage processng). Pengolahan ctra adalah pemrosesan ctra, khususnya dengan menggunakan komputer, menjad ctra yang kualtasnya lebh bak. Pengolahan ctra bertujuan memperbak kualtas ctra agar mudah dnterpretas oleh manusa atau mesn (dalam hal n komputer). Teknk-teknk pengolahan ctra mentransformaskan ctra menjad ctra lan. Jad, masukannya adalah ctra dan keluarannya juga ctra. Gambar 2.2 Operas pengolahan ctra (Sumber : Munr, 2004) Pada dasarnya pengolahan ctra terbag menjad : a. Penngkatan kualtas ctra (mage enhancement) b. Pemulhan ctra (mage restoraton) c. Pemampatan ctra d. Analss ctra e. Segmentas ctra f. Rekonstruks ctra, dan lan-lan Operas-operas pada pengolahan ctra dterapkan pada ctra bla :

6 12 a. perbakan atau memodfkas ctra perlu dlakukan untuk menngkatkan kualtas penampakan atau untuk menonjolkan beberapa aspek nformas yang terkandung d dalam ctra b. elemen d dalam ctra perlu dkelompokkan, dcocokkan atau dukur c. sebagan ctra perlu dgabung dengan bagan ctra yang lan Pengolahan Warna a. Model RGB Suatu ctra dalam model RGB terdr dar tga bdang ctra yang salng lepas, masng-masng terdr dar warna utama: merah, hjau dan bru. Suatu warna dspesfkaskan sebaga campuran sejumlah komponen warna utama. Gambar 2.3 menunjukkan bentuk geometr dar model warna RGB untuk menspesfkaskan warna menggunakan sstem koordnat Cartesan. Spektrum grayscale (tngkat keabuan) yatu warna yang dbentuk dar gabungan tga warna utama dengan jumlah yang sama, berada pada gars yang menghubungkan ttk htam dan puth. Gambar 2.3 Koordnat warna RGB (Sumber : Munr, 2004) Warna dpresentaskan dalam suatu snar tambahan untuk membentuk warna baru, dan berhubungan untuk membentuk snar campuran. Ctra pada gambar 2.4 sebelah kr menunjukkan campuran dengan menambahkan warna utama merah, hjau, dan bru untuk membentuk warna sekunder kunng (merah+hjau), cyan

7 13 (bru+hjau), magenta (merah+bru) dan puth (merah+hjau+bru). Model warna RGB banyak dgunakan untuk montor komputer dan vdeo kamera. Gambar 2.4 Penambahan campuran warna (Sumber : Munr, 2004) b. Grayscale Grayscale adalah ctra yang pada setap pkselnya hanya bers nformas ntenstas warna htam dan puth. Ctra Grayscale memlk banyak varas nuansa abu-abu sehngga berbeda dengan ctra htam-puth. Grayscale juga dsebut monokromatk karena tdak memlk warna lan selan varas ntenstas puth dan htam. Sebuah ctra yang djadkan Grayscale akan terkesan berbeda bla dbandngkan dengan ctra berwarna. D dalam pengolahan ctra, format ctra dgtal yang dpaka adalah grayscale. Pada umumnya warna yang dpaka adalah warna htam sebaga warna mnmal (0) dan warna puth (255) sebaga warna maksmal. Gambar 2.5 Skala keabuan (Sumber : Munr, 2004) Untuk perhtungan nla grayscale menurut (Ruslanto & Harjoko, 2011) pada persamaan (2.1). gr = 0.299r g b...(2.1) Keterangan : gr = hasl perhtungan nla grayscale r = nla warna merah dar pksel

8 14 g = nla warna hjau dar pksel b = nla warna bru dar pksel c. Ctra Bner Ctra bner adalah ctra yang hanya mempunya dua nla derajat keabuan yatu htam dan puth. Meskpun saat n ctra berwarna lebh dsuka karena member kesan yang lebh kaya darpada ctra bner, namun tdak membuat ctra bner mat. Pada beberapa aplkas ctra bner mash tetap dbutuhkan, msalnya ctra logo nstans (yang hanya terdr atas warna htam dan puth), ctra kode batang (bar code) yang tertera pada label barang, ctra hasl pemndaan dokumen teks, dan sebaganya. Pksel-pksel objek bernla 1 dan pksel-pksel latar belakang bernla 0. Pada waktu menamplkan gambar, 0 adalah puth dan 1 adalah htam. Jad, pada ctra bner, latar belakang berwarna puth sedangkan objek berwarna htam. Keuntungan menggunakan ctra bner adalah kebutuhan memor kecl karena nla derajat keabuan hanya membutuhkan representas 1 bt dan waktu pemrosesan lebh lebh cepat. Pengubahan ctra htam-puth (grayscale) menjad ctra bner dlakukan untuk alasan-alasan sebaga berkut: 1) Untuk mengdentfkas keberadaan objek, yang drepresentaskan sebaga daerah (regon) d dalam ctra. Msalnya kta ngn memsahkan (segmentas) objek dar gambar latar belakangnya. Pksel-pksel objek dnyatakan dengan nla 1 sedangkan pksel lannya dengan 0. Objek dtamplkan sepert gambar sluet. Untuk memperoleh sluet yang bagus, objek harus dapat dpsahkan dengan mudah dar gambar latar belakangnya. 2) Untuk lebh memfokuskan pada analss bentuk morfolog, yang dalam hal n ntenstas pksel tdak terlalu pentng dbandngkan bentuknya. Setelah objek dpsahkan dar latar belakangnya, propert geometr dan morfolog/topolog objek dapat dhtung dar ctra bner. Hal n berguna untuk pengamblan keputusan. 3) Untuk menamplkan ctra pada prant keluaran yang hanya mempunya resolus ntenstas satu bt, yatu prant penampl dua-aras atau bner sepert pencetak (prnter).

9 15 4) Mengubah ctra yang telah dtngkatkan kualtas tepnya (edge enhancement) ke penggambaran gars-gars tep. In perlu untuk membedakan tep yang kuat yang berkoresponden dengan batas-batas objek dengan tep lemah yang berkoresponden dengan perubahan llumnaton, bayangan, dll. Pengubahan ke dalam ctra bner dlakukan dengan operas pengambangan (thresholdng). Operas thresholdng mengelompokkan nla derajat keabuan setap pksel ke dalam 2 kelas, htam dan puth. f B (, j) = { 1, f g(, j) T 0, lannya. (2.2) (Sumber : Munr, 2004) Artfcal Neural Network Artfcal Neural Network (ANN) merupakan suatu konsep rekayasa pengetahuan dalam bdang kecerdasan buatan yang ddesan dengan mengadops sstem saraf manusa, yang pemrosesan utamanya ada d otak (Prasetyo, 2012). Bagan terkecl dar otak manusa adalah sel saraf yang dsebut unt dasar pemroses nformas atau neuron. Ada sektar 10 mlar neuron dalam otak manusa dan sektar 60 trlun koneks (dsebut snaps [synapse]) antarneuron dalam otak manusa) (Shepherd dan Koch, 1990). Dengan menggunakan neuron-neuron tersebut secara smultan, otak manusa dapat memproses nformas secara paralel dan cepat, bahkan lebh cepat dar komputer tercepat saat n. Sebuah neuron terdr atas elemen-elemen berkut: badan sel (dsebut soma), sejumlah serat yang menyalurkan nformas ke neuron (dsebut dendrt), dan sebuah serat tunggal yang keluar dan neuron (dsebut akson). Setap snyal luar yang dterma oleh dendrt akan melewat, snaps untuk dteruskan ke neuron, kemudan dproses d dalam soma. Setelah selesa akan dkeluarkan melalu akson untuk dproses kembal oleh neuron yang lan ataupun keluar sebaga. snyal akhr hasl proses d otak. Dengan analog sstem kerja otak manusa tersebut, ANN terdr atas sebuah unt pemroses yang dsebut neuron (akson jka dalam otak manusa) yang bers

10 16 penambah (adder) dan fungs aktvas, sejumlah bobot (snaps dalam otak manusa), sejumlah vektor masukkan (dendrt dalam otak manusa). Fungs aktvas berguna untuk mengatur keluaran yang dberkan oleh neuron. Desan ANN secara umum dperlhatkan oleh Gambar 2.6. Pada gambar tersebut, vektor masukan terdr atas sejumlah nla yang dberkan sebaga nla masukan pada ANN. Vektor masukan tersebut mempunya tga nla (x1, x2, x) sebaga ftur dalam data yang akan dproses d ANN. Masng-masng nla masukan melewat sebuah hubungan berbobot w, kemudan semua nla dgabungkan. Nla gabungan tersebut kemudan dproses oleh fungs aktvas untuk menghaslkan snyal y sebaga keluaran. Fungs aktvas menggunakan sebuah nla ambang batas (threshold) untuk membatas nla keluaran agar selalu dalam batas nla yang dtetapkan. Gambar 2.6 Arstektur ANN (Sumber : Prasetyo, 2012) Sepert halnya manusa yang otaknya selalu belajar dar lngkungan sehngga dapat mengelola lngkungan dengan bak berdasarkan pengalaman yang sudah ddapatkan, ANN, yang dalam pengenalan pola sebaga model yang dgunakan untuk proses pengenalan, membutuhkan proses pelathan agar dapat melakukan pengenalan kelas suatu data uj baru yang dtemukan. Proses pelathan dalam ANN dapat menggunakan algortma-algortma sepert Perceptron, Backpropagaton, Self-Organzng Map (SOM), Delta, Assocatve Memory, Learnng Vector Quantzaton dan sebaganya (Munr, 2004).

11 17 Learnng Vector Quantzaton (LVQ) adalah suatu metode klasfkas pola dmana masng masng nput merepresentaskan kelas atau kategor yang sama. Gambar 2.7 Arstektur jarngan LVQ (Sumber : Fausett, 1994:188) Jka dua vektor nput mendekat sama, maka lapsan kompettf akan meletakkan kedua vektor nput tersebut ke dalam kelas yang sama. Setelah pembelajaran, lapsan LVQ membag vektor nput (x) dengan penempatan lapsan LVQ ke kelas yang sama sebaga unt ouput (y) yang mempunya vektor bobot (w) terdekat dengan vektor nput (Fausett, 1994:187). Cara kerja algortma untuk LVQ yatu dengan mencar output yang terdekat dengan vektor nput. Algortma LVQ dapat djelaskan sebaga berkut: (Fausett, 1994:188) a. Menetapkan learnng rate (α), bobot (w), maksmum epoh, dan error mnmal yang dharapkan. b. Untuk masng-masng pembelajaran vektor nput tranng x melakukan langkah ke c sampa f. c. Mencar Cj dmana x w j dengan persamaan (2.3). C j n x wj (2.3) d. Update wj dengan cara :

12 18 Jka T = Cj maka : wj (t+1) = wj (t) + α(t) (x wj (t))...(2.4) Jka T Cj maka: wj (t+1) = wj (t) α(t) (x wj (t))...(2.5) e. Mengurang learnng rate. α = α * pengurang raso... (2.6) f. Konds berhent jka mencapa maksmum teras atau nla learnng rate cukup kecl. Keterangan : x = Vektor nput tranng T = Kategor atau kelas yang benar wj = Vektor bobot untuk output ke-j (w1j,..., wj,..., wnj) Cj = Kategor atau kelas yang dtunjukkan oleh output ke j x w j = Jarak Eucldan antara vektor nput tranng dan vektor bobot ke-j Ekstraks Ftur Ekstraks ftur (ftur extracton) merupakan bagan dasar dar analss ctra. Ftur adalah karakterstk unk dar suatu objek. Karakterstk ftur yang bak harus memenuh persyaratan berkut : 1. Dapat membedakan suatu objek dengan yang lannya (descrmnaton). 2. Memperhatkan komplekstas komputas dengan memperoleh ftur. Komplekstas komputas yang tngg tentu akan menjad beban tersendr dalam menemukan suatu ftur. 3. Tdak terkat (ndependence) dalam art bersfat nvaran terhadap berbaga transformas (rotas, penskalaan, pergeseran, dan sebaganya). 4. Jumlahnya sedkt, karena ftur yang sedkt dapat menghemat waktu komputas dan ruang penympanan untuk proses selanjutnya. Salah satu metode ekstraks ftur adalah Two Dmensonal Lnear Dscrmnant Analyss (TDLDA) dperkenalkan oleh L dan Ye pada tahun Perbedaan antara LDA dengan TDLDA adalah pada LDA menggunakan vektor mage untuk menghtung matrks beetween class dan matrks scatter wthn-class, sedangkan pada TDLDA menggunakan matrks mage asl untuk menghtung kedua

13 19 matrks tersebut. TDLDA mengklam bahwa haslnya lebh bak dbandngkan dengan metode ekstraks ftur yang lannya (Ye, 2005). Ada 3 tahapan dalam ekstraks ftur TDLDA pada suatu data pelathan yatu tahap pertama menghtung nla rata-rata kelas dan rata-rata global, tahap kedua menghtung matrks sebaran dalam kelas dan sebaran antar kelas dan tahap terakhr menghtung matrks ftur ekstraks data-data pelathan. Berkut adalah langkah-langkah dalam proses TDLDA terhadap suatu dataset ctra pelathan untuk menghtung nla rata-rata kelas dan rata-rata global : 1. Jka dalam suatu bassdata ctra terdapat hmpunan sebanyak n ctra pelathan A = [A1,A2,,An] ( = 1,2,,n) dengan dmens ctra (r x c), matrk dar ctra tersebut adalah : A (n)11 A (n)12 A (n)1c A A n = [ (n)21 A (n)22 A (n)2c ] A (n)r1 A (n)r2 A (n)rc Matrks n dgunakan sebaga data nputan. Data nputan lannya adalah jumlah kelas (k), jumlah data perkelas (n) dan banyaknya data pelathan (n). 2. Menghtung rata-rata ctra pelathan dar kelas ke- dengan menggunakan persamaan (2.7). x M 1 A..(2.7) n 3. Menghtung rata-rata semua ctra pelathan dengan persamaan (2.8). 1 M n k 1 x A.(2.8) Berkut adalah langkah-langkah dalam proses TDLDA terhadap suatu dataset ctra pelathan untuk menghtung matrks sebaran antar kelas dan matrks sebaran dalam kelas : 1. Menentukan nla ll (panjang bars) dan l2 (panjang kolom), dmana nla ll r dan l2 c. 2. Menetapkan matrks transformas R ukuran c x l2 yang dperoleh dar gabungan matrks denttas ukuran l2 x l2 dengan matrks nol ukuran (c-l2) x l2.

14 20 3. Menghtung matrks between class scatter R dengan ukuran r x r dengan persamaan (2.9) S R b k 1 n T M M RR M M T. (2.9) 4. Menghtung matrks wthn class scatter R dengan ukuran r x r dengan persamaan (2.10) S R W k T A M RR A M 1 x T... (2.10) 5. Htung nla egen dan vector egen dar (2.11) dengan ukuran r x r L=( R S W ) -1 ( R S b R S b dan R S W sesua dengan persamaan )... (2.11) 6. Ambl sebanyak l1 vektor egen terbesar dar langkah 5 dengan ukuran matrksnya r x l1. 7. Menghtung matrks between class scatter L dengan ukuran c x c dengan persamaan (2.12) S L b k 1 n T T M M LL M M (2.12) 8. Menghtung matrks wthn class scatter L dengan ukuran c x c dengan persamaan (2.13) S L W k T T A M LL A M 1 x. (2.13) 9. Htung nla egen dan vector egen dar (2.14) dengan ukuran c x c L Sb dan L S W sesua dengan persamaan R=( S ) -1 ( S ).(2.14) L W L b 10. Ambl sebanyak l2 vektor egen terbesar dar langkah 9 dengan ukuran matrksnya c x l2. Berkut adalah langkah-langkah dalam proses TDLDA terhadap suatu dataset ctra pelathan untuk menghtung ekstraks ftur pada setap ctra : 1. Inputan berupa matrks data pelathan

15 21 A (n)11 A (n)12 A (n)1c A A n = [ (n)21 A (n)22 A (n)2c ] A (n)r1 A (n)r2 A (n)rc Inputan lannya : matrks transformas bars (L) dan matrks transformas kolom (R). 2. Htung matrks ekstraks ftur dengan persamaan (2.15), ukuran matrksnya (l1 x l2) B=L T AR... (2.15) 3. Output yang dhaslkan adalah matrks ekstraks ftur B, matrks transformas L dan matrks transformas R. Langkah-langkah dalam ekstraks ftur pada pengujan LVQ adalah sebaga berkut : 1. Inputan berupa matrk data pengujan C yang ukuran dmens matrksnya sama dengan matrks data pelathan yatu r x c : C 11 C 12 C 1c C C = [ 21 C 22 C 2c ] C r1 C r2 C rc Inputan lannya adalah matrks transformas bars (L) dan matrks transformas kolom (R), yang keduanya ddapat dar proses ekstraks TDLDA pada pelathan LVQ. 2. Htung matrks ekstraks ftur sesua dengan persamaan (2.16) yang ukuran matrksnya l1 x l2. D=L T CR... (2.16) 3. Output : matrks ekstraks ftur D.