<![CDATA[Klasifikasi citra digital merupakan salah satu bidang utama dalam pengolahan citra yang bertujuan untuk mengklasifikasikan objek atau karakteristik tertentu dalam suatu citra digital. Meskipun teknik klasifikasi Support Vector Machine (SVM) telah digunakan secara luas, kinerja SVM sangat bergantung pada pengaturan parameter yang tepat dan jenis dataset yang digunakan. Optimasi klasifikasi SVM dilakukan dataset citra digital yang tidak seimbang dengan menggunakan algoritma optimasi Particle Swarm Optimization (PSO). Sedangkan untuk mengatasi permasalahan dataset yang tidak seimbang ialah dengan menggunakan teknik resampling yaitu Synthetic Minority Over-sampling Technique (SMOTE), teknik resampling ini akan membuat sampel sintesis baru pada kelas minoritas agar jumlah sampel pada kelas tersebut menjadi seimbang terhadap kelas lain. Hasil akhir dari penelitian ini menunjukkan bahwa kinerja klasifikasi SVM pada citra digital meningkat dengan baik setelah dilakukan optimasi dengan algoritme PSO. Rata-rata hasil akurasi yang didapatkan ialah sebesar 0,91 dan akurasi tersebut bisa didapatkan pada iterasi yang singkat. Penelitian ini menunjukkan bahwa penggunaan algoritma PSO dalam optimasi hyperparameter SVM pada klasifikasi citra digital imbalanced bekerja dengan efektif dan efisien dalam meningkatkan akurasi yang didapatkan.]]>
Copyrights © 2024
