Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary on Social and Technology
Annisa Nur Aulia Nadiva
Universitas Singaperbangsa Karawang
Computer Science & IT Economics, Econometrics & Finance Engineering Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Perbandingan Performa Klasifikasi KNN dan SVM pada Dataset Sign Language MNIST: Citra Grayscale vs Binarized (Otsu Thresholding) Adi Pratama Putra; Annisa Nur Aulia Nadiva; Dunik Andriyani; Sulthan Fauzan Fackhri
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 2 (2026): Maret - Juni
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i2.9933

Abstract

Pengenalan bahasa isyarat merupakan bidang penelitian penting untuk mendukung aksesibilitas komunikasi bagi individu penyandang gangguan pendengaran dan wicara. Penelitian ini menyajikan analisis perbandingan performa klasifikasi K-Nearest Neighbors (KNN) dan Support Vector Machine (SVM) pada dataset Sign Language MNIST dengan dua skema representasi citra: Grayscale asli dan citra Biner hasil Otsu Thresholding. Dataset terdiri dari 27.455 data latih dan 7.172 data uji, berupa citra gestur tangan American Sign Language (ASL) berukuran 28x28 piksel untuk 24 kelas huruf. Otsu Thresholding diterapkan menggunakan fungsi cv2.threshold() dengan flag THRESH_BINARY + THRESH_OTSU pada setiap citra secara individual. Normalisasi dilakukan dengan membagi nilai piksel dengan 255,0 sehingga berada dalam rentang [0,1]. Hasil eksperimen menunjukkan: KNN mencapai akurasi 80,59% pada Grayscale dan 79,87% pada Otsu dengan waktu 13,50 detik dan 13,02 detik; SVM mencapai akurasi 84,19% pada Grayscale dan 82,91% pada Otsu dengan waktu 158,10 detik dan 140,57 detik. Representasi Grayscale secara konsisten menghasilkan akurasi lebih tinggi pada kedua algoritma. SVM Grayscale menjadi konfigurasi terbaik dengan akurasi 84,19%. Classification report SVM Otsu menunjukkan weighted F1-Score 0,83 dengan variasi per kelas yang signifikan: kelas D (F1=1,00) terbaik, kelas R (F1=0,44) terburuk.
Co-Authors Adi Pratama Putra Dunik Andriyani Sulthan Fauzan Fackhri