PDSIPDSI

Bulletin of Informatics and Data ScienceBulletin of Informatics and Data Science

Identifikasi jenis kelamin berdasarkan tulang tengkorak merupakan langkah penting dalam antropologi forensik, terutama dalam kasus di mana kerangka manusia yang tidak teridentifikasi ditemukan. Metode konvensional seperti analisis DNA sering digunakan, tetapi memiliki keterbatasan, terutama ketika tulang rusak, hangus, atau membusuk, sehingga mempersulit proses analisis. Penelitian ini menerapkan ensemble XGBoost dan Support Vector Machine untuk klasifikasi jenis kelamin pada tulang tengkorak. Tujuan dari penelitian ini adalah untuk menangani data kompleks dengan banyak fitur dan data tidak seimbang menggunakan metode ensemble XGBoost dan Support Vector Machine (SVM). Data yang digunakan terdiri dari 2.524 sampel dengan 82 fitur pengukuran. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1 score. Hasil penelitian menunjukkan bahwa kombinasi metode XGBoost dan SVM, terutama dengan kernel RBF, mampu mencapai akurasi hingga 91,52%. Temuan ini membuktikan bahwa pendekatan berbasis machine learning dapat menjadi solusi yang efektif dan andal dalam mendukung proses identifikasi forensik.

Penelitian ini membuktikan bahwa kombinasi metode XGBoost dan SVM, terutama dengan kernel RBF, mampu mencapai akurasi hingga 91,52% dalam klasifikasi jenis kelamin berdasarkan tulang tengkorak.Hasil ini mengindikasikan potensi besar machine learning dalam mendukung proses identifikasi forensik, khususnya dalam kasus di mana metode konvensional seperti analisis DNA mengalami keterbatasan.Penerapan ensemble learning dan teknik penyeimbangan data seperti ADASYN dapat meningkatkan akurasi dan keandalan model, sehingga memberikan kontribusi signifikan dalam bidang antropologi forensik.

Berdasarkan hasil penelitian ini, terdapat beberapa arah penelitian lanjutan yang dapat dieksplorasi. Pertama, penelitian selanjutnya dapat fokus pada pengembangan model yang lebih robust terhadap variasi populasi dan kondisi tulang yang berbeda, misalnya dengan menggunakan dataset yang lebih beragam dan menerapkan teknik augmentasi data yang lebih canggih. Kedua, eksplorasi fitur-fitur baru yang relevan dengan klasifikasi jenis kelamin, seperti analisis 3D dari bentuk tengkorak, dapat meningkatkan akurasi model. Ketiga, integrasi dengan metode forensik lainnya, seperti analisis DNA dan data antropometri, dapat memberikan informasi yang lebih komprehensif untuk identifikasi individu.

  1. Optimization of Support Vector Machine and XGBoost Methods Using Feature Selection to Improve Classification... doi.org/10.31289/jite.v6i2.8373Optimization of Support Vector Machine and XGBoost Methods Using Feature Selection to Improve Classification doi 10 31289 jite v6i2 8373
  2. Implementing Extreme Gradient Boosting (XGBoost) Classifier to Improve Customer Churn Prediction - EUDL.... eudl.eu/doi/10.4108/eai.2-8-2019.2290338Implementing Extreme Gradient Boosting XGBoost Classifier to Improve Customer Churn Prediction EUDL eudl eu doi 10 4108 eai 2 8 2019 2290338
Read online
File size309.25 KB
Pages8
DMCAReport

Related /

ads-block-test