Identifikasi Objek Menggunakan Random Forest dan Multi-Fitur
Article Sidebar
Published:
May 15, 2023
Keywords:
local binary pattern, deteksi tepi, random forest, multi fitur, identifikasi objek
Main Article Content
Abstract
Penelitian ini berfokus untuk identifikasi objek dengan latar belakang yang komplek, pendekatan kombinasi multi fitur menggunakan algoritma deteksi tepi (Sobel, Canny, dan Robert) dan Local Binary Pattern (LBP) serta klasifikasi menggunakan Random Forest. Tahapan penelitian ini meliputi pengumpulan data, pra-pemrosesan, ekstraksi ciri, dan evaluasi kinerja. Metrik untuk evaluasi kinerja menghitung akurasi, presisi, recall, dan F1-Score. Berdasarkan pengujian hasil yang diperoleh menunjukkan peningkatan yang signifikan dalam kinerja identifikasi objek. Hasilnya untuk akurasi mencapai 93%, presisi 96%, recall 91%, dan F1-Score 94%. Pengujian metode tersebut menunjukkan bahwa integrasi multi fitur mempengaruhi signifikan peningkatan keakuratan dan keandalan identifikasi objek, terutama dalam menghadapi tantangan latar belakang yang beragam dan kondisi pencahayaan yang tidak stabil.
Article Details
How to Cite
Florentina Tatrin Kurniati, & Dian Pramana. (2023). Identifikasi Objek Menggunakan Random Forest dan Multi-Fitur. Jurnal Sistem Dan Informatika (JSI), 17(2), 130 - 136. https://doi.org/10.30864/jsi.v17i2.590
Section
Articles
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
Z. Pan, S. Hu, X. Wu, and P. Wang, “Adaptive center pixel selection strategy in Local Binary Pattern for texture classification,” Expert Syst Appl, vol. 180, Oct. 2021, doi: 10.1016/j.eswa.2021.115123.
U. A. Nnolim, “Automated crack segmentation via saturation channel thresholding, area classification and fusion of modified level set segmentation with Canny edge detection,” Heliyon, vol. 6, no. 12, Dec. 2020, doi: 10.1016/j.heliyon.2020.e05748.
T. Song, L. Xin, C. Gao, T. Zhang, and Y. Huang, “Quaternionic extended local binary pattern with adaptive structural pyramid pooling for color image representation,” Pattern Recognit, vol. 115, Jul. 2021, doi: 10.1016/j.patcog.2021.107891.
N. S. Dagar and P. K. Dahiya, “Edge Detection Technique using Binary Particle Swarm Optimization,” in Procedia Computer Science, Elsevier B.V., 2020, pp. 1421–1436. doi: 10.1016/j.procs.2020.03.353.
E. R. Mehmet Bilal, “Heart sounds classification using convolutional neural network with 1D-local binary pattern and 1D-local ternary pattern features,” Applied Acoustics, vol. 180, Sep. 2021, doi: 10.1016/j.apacoust.2021.108152.
H. Yin, Y. Chen, J. Xiong, R. Xia, J. Xie, and K. Yang, “An improved local binary pattern method for pollen image classification and recognition,” Computers and Electrical Engineering, vol. 90, Mar. 2021, doi: 10.1016/j.compeleceng.2021.106983.
H. Tao and X. Lu, “Smoke vehicle detection based on robust codebook model and robust volume local binary count patterns,” Image Vis Comput, vol. 86, pp. 17–27, Jun. 2019, doi: 10.1016/j.imavis.2019.03.008.
W. Yin, W. Zhao, D. You, and D. Wang, “Local binary pattern metric-based multi-focus image fusion,” Opt Laser Technol, vol. 110, pp. 62–68, Feb. 2019, doi: 10.1016/j.optlastec.2018.07.045.
J. Pirneskoski et al., “Random forest machine learning method outperforms prehospital National Early Warning Score for predicting one-day mortality: A retrospective study,” Resusc Plus, vol. 4, Dec. 2020, doi: 10.1016/j.resplu.2020.100046.
J. Jing, S. Liu, G. Wang, W. Zhang, and C. Sun, “Recent advances on image edge detection: A comprehensive review,” Neurocomputing, vol. 503, pp. 259–271, Sep. 2022, doi: 10.1016/j.neucom.2022.06.083.
U. A. Nnolim, “Automated crack segmentation via saturation channel thresholding, area classification and fusion of modified level set segmentation with Canny edge detection,” Heliyon, vol. 6, no. 12, Dec. 2020, doi: 10.1016/j.heliyon.2020.e05748.
T. Song, L. Xin, C. Gao, T. Zhang, and Y. Huang, “Quaternionic extended local binary pattern with adaptive structural pyramid pooling for color image representation,” Pattern Recognit, vol. 115, Jul. 2021, doi: 10.1016/j.patcog.2021.107891.
N. S. Dagar and P. K. Dahiya, “Edge Detection Technique using Binary Particle Swarm Optimization,” in Procedia Computer Science, Elsevier B.V., 2020, pp. 1421–1436. doi: 10.1016/j.procs.2020.03.353.
E. R. Mehmet Bilal, “Heart sounds classification using convolutional neural network with 1D-local binary pattern and 1D-local ternary pattern features,” Applied Acoustics, vol. 180, Sep. 2021, doi: 10.1016/j.apacoust.2021.108152.
H. Yin, Y. Chen, J. Xiong, R. Xia, J. Xie, and K. Yang, “An improved local binary pattern method for pollen image classification and recognition,” Computers and Electrical Engineering, vol. 90, Mar. 2021, doi: 10.1016/j.compeleceng.2021.106983.
H. Tao and X. Lu, “Smoke vehicle detection based on robust codebook model and robust volume local binary count patterns,” Image Vis Comput, vol. 86, pp. 17–27, Jun. 2019, doi: 10.1016/j.imavis.2019.03.008.
W. Yin, W. Zhao, D. You, and D. Wang, “Local binary pattern metric-based multi-focus image fusion,” Opt Laser Technol, vol. 110, pp. 62–68, Feb. 2019, doi: 10.1016/j.optlastec.2018.07.045.
J. Pirneskoski et al., “Random forest machine learning method outperforms prehospital National Early Warning Score for predicting one-day mortality: A retrospective study,” Resusc Plus, vol. 4, Dec. 2020, doi: 10.1016/j.resplu.2020.100046.
J. Jing, S. Liu, G. Wang, W. Zhang, and C. Sun, “Recent advances on image edge detection: A comprehensive review,” Neurocomputing, vol. 503, pp. 259–271, Sep. 2022, doi: 10.1016/j.neucom.2022.06.083.
