EVALUASI STRATEGI FUSI FITUR DALAM KLASIFIKASI CITRA MENGGUNAKAN HOG, GABOR FILTER DAN CNN-MOBILENET

Riki Riyandi, NIM.: 23206051030 (2025) EVALUASI STRATEGI FUSI FITUR DALAM KLASIFIKASI CITRA MENGGUNAKAN HOG, GABOR FILTER DAN CNN-MOBILENET. Masters thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (EVALUASI STRATEGI FUSI FITUR DALAM KLASIFIKASI CITRA MENGGUNAKAN HOG, GABOR FILTER DAN CNN-MOBILENET) 23206051030_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (2MB) | Preview
	Text (EVALUASI STRATEGI FUSI FITUR DALAM KLASIFIKASI CITRA MENGGUNAKAN HOG, GABOR FILTER DAN CNN-MOBILENET) 23206051030_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf - Published Version Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Klasifikasi citra daun herbal menghadirkan tantangan substansial akibat keragaman tekstur dan morfologi yang tinggi. Keberhasilan klasifikasi sangat bergantung pada representasi fitur yang mampu menangkap informasi diskriminatif secara efisien. Penelitian ini bertujuan mengevaluasi efektivitas strategi fusi fitur yang menggabungkan pendekatan hand-crafted (Histogram of Oriented Gradients/HOG dan Gabor Filter) dengan fitur deep-learned dari CNN-MobileNet. Fokus diarahkan pada pengujian apakah penggabungan fitur heterogen tersebut dapat meningkatkan akurasi klasifikasi atau justru memperburuk performa akibat redundansi dan ketidaksesuaian statistik. Dataset yang digunakan terdiri atas 1.000 citra grayscale dari sepuluh kelas daun herbal. Fitur yang dihasilkan dari ketiga metode dievaluasi secara individual dan dalam tiga konfigurasi fusi. Vektor fitur diuji menggunakan tiga algoritma klasifikasi: Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Random Forest (RF). Evaluasi kinerja dilakukan melalui akurasi, presisi, recall, F1-score, AUC, dan analisis visual melalui confusion matrix dan kurva ROC. Analisis tambahan dilakukan untuk menelaah pengaruh Curse of Dimensionality terhadap hasil klasifikasi. Hasil menunjukkan bahwa fitur CNN-MobileNet dengan klasifikator SVM menghasilkan akurasi tertinggi (91,0%) dan stabil. Sebaliknya, strategi fusi fitur terbukti tidak efektif. Kombinasi HOG berdimensi tinggi (34.596) dengan CNN-MobileNet (1.280) menurunkan akurasi SVM secara drastis menjadi 57,5%. Fenomena ini mengindikasikan bahwa penambahan dimensi tanpa regularisasi justru memperbesar risiko overfitting, meningkatkan sparsity, dan menurunkan kemampuan generalisasi. Penelitian ini menyimpulkan bahwa dalam konteks klasifikasi citra kompleks, pendekatan berbasis deep learning terfokus lebih unggul dibanding fusi fitur tanpa kontrol struktural. Kata Kunci: Klasifikasi Citra, Fusi Fitur, Convolutional Neural Network (CNN-MOBILENET), Histogram of Oriented Gradients (HOG), Curse of Dimensionality, Daun Herbal, Support Vector Machine (SVM

Share this knowledge with your friends :

Actions (login required)

View Item