Publisher

UNJAYAUNJAYA

Journal Teknomatika: Jurnal Informatika dan KomputerTeknomatika: Jurnal Informatika dan Komputer Abstract

Klasifikasi jenis alas kaki, seperti boot, sandal, dan shoe, merupakan tantangan penting dalam pengembangan sistem pengenalan citra berbasis kecerdasan buatan. Penelitian ini bertujuan untuk membandingkan kinerja dua model klasifikasi populer, yaitu Convolutional Neural Network (CNN) dan Support Vector Machine (SVM), dalam mengenali jenis alas kaki. Dataset yang digunakan adalah Footwear-Shoe vs Sandal vs Boot Image Dataset, yang terdiri dari 3000 gambar untuk setiap kategori dengan resolusi 136x102 piksel dalam format RGB. Metodologi melibatkan pelatihan dan pengujian kedua model menggunakan parameter yang dioptimalkan untuk mengukur akurasi, presisi, dan efisiensi komputasi. Hasil penelitian menunjukkan bahwa CNN mencapai akurasi sebesar 98%, sementara SVM mencapai akurasi 96%. Hasil penelitian ini menunjukkan bahwa CNN lebih unggul dalam akurasi untuk aplikasi yang membutuhkan ketepatan tinggi, sedangkan SVM menjadi alternatif yang efektif dalam situasi dengan keterbatasan komputasi. Penelitian ini memberikan kontribusi signifikan terhadap pemahaman kinerja model dalam klasifikasi citra alas kaki berbasis machine learning.

Conclusion

Penelitian ini menunjukkan bahwa model CNN memberikan performa yang lebih unggul dibandingkan SVM dalam tugas klasifikasi alas kaki.CNN mampu mencapai akurasi yang lebih tinggi, yaitu 98.17%, dengan kemampuan yang lebih baik dalam menangkap fitur visual kompleks pada gambar.Meskipun demikian, SVM tetap menjadi pilihan yang relevan untuk aplikasi dengan keterbatasan sumber daya komputasi.Penelitian ini memberikan wawasan penting bagi pengembang dan peneliti dalam memilih model yang sesuai dengan kebutuhan spesifik aplikasi klasifikasi citra.

Future Research

Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan. Pertama, eksplorasi arsitektur CNN yang lebih kompleks, seperti ResNet atau EfficientNet, dapat dilakukan untuk meningkatkan akurasi klasifikasi. Kedua, pengembangan teknik ensembel yang menggabungkan kekuatan CNN dan SVM dapat menghasilkan model yang lebih robust dan akurat. Ketiga, penelitian lebih lanjut dapat dilakukan dengan menguji model pada dataset yang lebih besar dan beragam, termasuk variasi resolusi gambar dan kondisi pencahayaan yang berbeda, untuk mengevaluasi kemampuan generalisasi model dalam skenario dunia nyata. Penelitian-penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam pengembangan sistem pengenalan citra yang lebih cerdas dan efisien, serta membuka peluang aplikasi baru di berbagai bidang, seperti e-commerce, manajemen inventaris, dan keamanan.

References

1. Implementasi Algoritma CNN dalam Sistem Absensi Berbasis Pengenalan Wajah | Jurnal Informatika Polinema.... doi.org/10.33795/jip.v10i2.4852Implementasi Algoritma CNN dalam Sistem Absensi Berbasis Pengenalan Wajah Jurnal Informatika Polinema doi 10 33795 jip v10i2 4852
2. Perbandingan Model CNN dan SVM untuk Klasifikasi Jenis Footwear pada Dataset Alas Kaki Berbasis Citra... doi.org/10.30989/teknomatika.v18i1.1564Perbandingan Model CNN dan SVM untuk Klasifikasi Jenis Footwear pada Dataset Alas Kaki Berbasis Citra doi 10 30989 teknomatika v18i1 1564
3. Perbandingan LSTM dengan Support Vector Machine dan Multinomial Na ve Bayes pada Klasifikasi Kategori... doi.org/10.26623/transformatika.v20i2.5880Perbandingan LSTM dengan Support Vector Machine dan Multinomial Na ve Bayes pada Klasifikasi Kategori doi 10 26623 transformatika v20i2 5880

Metadata

File size	445.31 KB
Pages	9
DMCA	Report