Optimalisasi Klasifikasi Objek Melalui Integrasi Metode Ensemble dan Teknik Ekstraksi Fitur Deteksi Tepi
Article Sidebar
Main Article Content
Abstract
Peningkatan volume lalu lintas dan kepadatan kendaraan di perkotaan menimbulkan tantangan besar dalam menjaga kelancaran dan efisiensi sistem transportasi. Identifikasi objek yang akurat untuk pengelolaan lalu lintas yang efektif. Penelitian ini mengombinasikan metode ensemble dalam klasifikasi objek dengan menggunakan teknik ekstraksi fitur deteksi tepi dan histogram. Tujuan dari penelitian ini adalah untuk meningkatkan akurasi dan efisiensi dalam deteksi objek. Teknik ekstraksi fitur deteksi tepi digunakan untuk mengidentifikasi karakteristik penting dari objek yang dapat memfasilitasi proses klasifikasi. Fitur histogram untuk mengekstrak informasi dari distribusi intensitas piksel dalam citra, yang memberikan gambaran mengenai kontras, kecerahan, dan distribusi warna dalam citra. Hasil eksperimen menunjukkan bahwa kombinasi metode ensemble dengan ekstraksi berbasis deteksi tepi dan histogram secara signifikan meningkatkan performa klasifikasi dibandingkan dengan penggunaan metode klasifikasi tunggal. Metode kombinasi tanpa penambahan fitur histogram mencapai akurasi 72.78%, presisi 72.37%, recall 72.61%, dan F1-Score 72.45%. Penambahan fitur histogram mencapai peningkatan akurasi, presisi, recall, dan F1-Score yang luar biasa menjadi 99.75%. Hasil penelitian memberikan kontribusi dalam meningkatkan akurasi dan efisiensi sistem pengenalan objek, serta menunjukkan bahwa pendekatan multi-metode yang menggabungkan berbagai jenis fitur dapat memberikan hasil yang lebih akurat dan andal dalam pengenalan objek. Integrasi teknik deteksi tepi dan histogram dengan algoritma ensemble seperti Random Forest terbukti sangat efektif dalam meningkatkan performa model klasifikasi gambar secara keseluruhan.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Sistem dan Informatika (JSI) bersifat open access, yaitu dapat diakses secara umum tanpa dikenakan biaya. Penulis yang menerbitkan artikelnya di JSI setuju dengan ketentuan berikut:- JSI menggunakan perjanjian lisensi ekslusif, yaitu penulis memegang hak cipta atas artikel dan memberikan hak publikasi kepada Jurnal Sistem dan Informatika (JSI).
- JSI mempunyai hak ekslusif untuk mempublikasi dan mendistribusikan artikel secara sebagian atau keseluruhan, dan memberikan hak kepada orang lain sesuai dengan lisensi yang digunakan.
- JSI berhak untuk menyediakan artikel dalam berbagai bentuk dan media, sehingga artikel dapat digunakan untuk teknologi terbaru bahkan setelah dipublikasikan.
- JSI berhak untuk menegakkan hak-hak atas nama penulis pada artikel terhadap pihak ketiga. Misalnya dalam kasus plagiarisme atau pelanggaran hak cipta.
- Artikel harus dirujuk, link terhadap lisensi harus disediakan, dan jika terdapat bagian artikel yang diubah harus ditandai.
- Jika artikel disadur sehingga terdapat perubahan, hasil saduran harus didistribusikan menggunakan lisensi yang sama.
- Tidak diperkenankan untuk membatasi orang lain terhadap apa yang diperbolehkan oleh lisensi.
References
G. P. Rocha Filho et al., “Enhancing intelligence in traffic management systems to aid in vehicle traffic congestion problems in smart cities,” Ad Hoc Networks, vol. 107, 2020, doi: 10.1016/j.adhoc.2020.102265.
M. Cai, L. Hong, and C. Xiong, “Data-driven traffic zone division in smart city: Framework and technology,” Sustainable Energy Technologies and Assessments, vol. 52, no. PC, p. 102251, 2022, doi: 10.1016/j.seta.2022.102251.
D. Xiaoheng, L. Minghang, M. Jiashu, and W. Zhengyu, “Edge Detection Operator for Underwater Target Image,” 2018 3rd IEEE International Conference on Image, Vision and Computing, ICIVC 2018, pp. 91–95, 2018, doi: 10.1109/ICIVC.2018.8492749.
A. Singh, M. Singh, and B. Singh, “Face detection and eyes extraction using sobel edge detection and morphological operations,” Conference on Advances in Signal Processing, CASP 2016, pp. 295–300, 2016, doi: 10.1109/CASP.2016.7746183.
J. S. Owotogbe, T. S. Ibiyemi, and B. A. Adu, “Edge Detection Techniques on Digital Images - A Review,” Int J Innov Sci Res Technol, vol. 4, no. 11, pp. 329–332, 2019.
W. Yu, C. Liu, H. Yang, and G. Wang, “A method for improving the detection accuracy of subpixel edge,” Proceedings - 2019 Chinese Automation Congress, CAC 2019, pp. 158–162, 2019, doi: 10.1109/CAC48633.2019.8996169.
Navdeep, V. Singh, A. Rani, and S. Goyal, “Improved depth local binary pattern for edge detection of depth image,” 2020 7th International Conference on Signal Processing and Integrated Networks, SPIN 2020, pp. 447–452, 2020, doi: 10.1109/SPIN48934.2020.9070820.
Z. Ouyang, J. Niu, T. Ren, Y. Li, J. Cui, and J. Wu, “MBBNet: An edge IoT computing-based traffic light detection solution for autonomous bus,” Journal of Systems Architecture, vol. 109, Oct. 2020, doi: 10.1016/j.sysarc.2020.101835.
D. M. Ballesteros, Y. Rodriguez, and D. Renza, “A dataset of histograms of original and fake voice recordings (H-Voice),” Data Brief, vol. 29, p. 105331, 2020, doi: 10.1016/j.dib.2020.105331.
C. S. Shanley, D. R. Eacker, C. P. Reynolds, B. M. B. Bennetsen, and S. L. Gilbert, “Using LiDAR and Random Forest to improve deer habitat models in a managed forest landscape,” For Ecol Manage, vol. 499, Nov. 2021, doi: 10.1016/j.foreco.2021.119580.
J. F. Pinheiro et al., “Automatic ocular version evaluation in images using random forest,” Expert Syst Appl, vol. 176, Aug. 2021, doi: 10.1016/j.eswa.2021.114847.
G. P. P, B. Biswal, and P. K. Biswal, “Robust classification of neovascularization using random forest classifier via convoluted vascular network,” Biomed Signal Process Control, vol. 66, Apr. 2021, doi: 10.1016/j.bspc.2021.102420.
A. Gregoriades, M. Pampaka, H. Herodotou, and E. Christodoulou, “Supporting digital content marketing and messaging through topic modelling and decision trees,” Expert Syst Appl, vol. 184, no. August 2020, p. 115546, 2021, doi: 10.1016/j.eswa.2021.115546.
