Komparasi Algoritma Nonparametrik untuk Klasifikasi Citra Wajah Berdasarkan Suku di Indonesia
DOI:
https://doi.org/10.26418/jp.v6i3.43268Keywords:
Klasifikasi, K-Nearest Neigbor, Support Vector Machine, Decision Tree, AdaBoostAbstract
Klasifikasi merupakan metode data mining yang berfungsi untuk mengatur dan mengkategorikan data pada kelas yang berbeda-beda. Penelitian ini bertujuan untuk membandingkan dan menentukan algoritma nonparametrik terbaik dalam pengklasifikasian citra wajah. Dalam proses pengklasifikasian, penelitian ini menggunakan algoritma klasifikasi nonparametrik yaitu k-Nearest Neighbor (kNN), Support Vector Machine (SVM), Decision Tree, dan AdaBoost Untuk mengklasifikasikan citra wajah penduduk Indonesia yang berasal dari suku Batak, Dayak, Jawa, Melayu, dan Tionghoa. Penelitian ini menggunakan Orange Data Mining Tool sebagai alat bantu untuk melakukan proses data mining. Dari hasil pengklasifikasian dengan menerapkan algoritma k-Nearest Neigbor, Support Vector Machine, Decision Tree, dan AdaBoost, SVM memberikan nilai akurasi yang lebih baik dibanding algoritma lainnya. Rata-rata nilai precision keempat algoritma tersebut berturut-turut adalah Support Vector Machine 37.5%, diikuti oleh algoritma k-Nearest Neighbor 31.55%, AdaBoost 30.25%, dan untuk Decision Tree 29.75%.References
Fu, S., He, H., & Hou, Z.-G, “Learning race from face: A surveyâ€. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(12), 2483–2509, 2014.
Gonzales, Rafael C., Woods, Richard E., “Digital Image Processingâ€, New Jersey: Prentice-Hall, Inc, 2002.
Liu, B., “Web Data mining: Exploring Hyperlinks, Contents, dan Usage Data†Berlin: Springer, 2007.
Manning, C. D., Schütze, Hinrich & Raghavan, Prabhakar, “An Introduction to Information Retrievalâ€. Cambridge Univeristy Press, 2009.
Maulana, S. M., Sabarudin, R., Nugraha, W., “Prediksi Ketepatan Kelulusan Mahasiswa Diploma dengan Komparasi Algoritma Klasifikasiâ€. Jurnal Sistem dan Informasi (JUSTIN), 2019.
Melalatoa, M. Junus, “Ensiklopedi suku bangsa di Indonesiaâ€. Direktorat Sejarah dan Nilai Tradisional Direktorat Jenderal Kebudayaan, Jakarta, 1995.
Ruan, C. a. R. Q. a. L. X., “Real adaboost feature selection for face recognition. In Signal Processingâ€), 2010 IEEE 10th International Conference, IEEE, 2010
Syamani, “Komparasi Algoritma Non-Parametrik k-Nearest Neighbour Classiï¬er Menggunakan Euclidean Distance dan Manhattan Distance untuk Klasiï¬kasi Multispektral Tutupan Lahanâ€, Universitas Lambung Mangkurat, 2008.
Sujaini, H. 2019. “Sistem Analisis Citra Alat Musik Tradisional dengan Metode K-Nearest Neighbor, Random Forest, dan Support Vector Machine†Jurnal Sistem Informasi Bisnis, vol. 9, 2009.
Turban, E., “Decision Support Systems and Intelligent Systems Edisi Bahasa Indonesia Jilid 1†Yogyakarta: Andi, 2005.
Waliansyah, R. R., Fitriyah, C., “Perbandingan Akurasi Klasifikasi Citra Kayu Jati Menggunakan Metode Naive Bayes dan k-Nearest Neighbor (k-NN)â€. Jurnal Edukasi dan Penelitian Informatika (Jepin) Vol. 5 no. 2, 2019.
X. Wu, V. Kumar, J. R. Quinlan, J. Ghosh, Q. Yang, H. Motoda, G. J. Mclachlan, A. Ng, B. Liu, P. S. Yu, Z. Z. Michael, S. David, and J. H. Dan, “Top 10 algorithms in data mining†Knowl Inf Syst, vol 14, 2007.
Yoav Freund Robert E. Schapire, “A Short Introduction to Boostingâ€, Journal of Japanese Society for Artificial Intelligence, 1999.
Moleong, Lexy J. (2010), Metodologi penelitian kualitatif, Remaja Rosdakarya, Bandung.
