Klasifikasi Gambar Tumpang Tindih (Overlapping Image) dengan Random Forest Berbasis Machine Learning
DOI:
https://doi.org/10.33005/santika.v6i1.943Keywords:
Klasifikasi citra, Tumpang tindih, Random Forest, Pengelolahan Citra Digital, Machine LearningAbstract
Pendeteksian dan klasifikasi gambar tumpang tindih (overlapping image) merupakan tantangan mendasar dalam bidang pengolahan citra digital. Kondisi tumpang tindih antar objek dalam sebuah gambar sering menghambat akurasi sistem pengenalan visual otomatis, terutama pada aplikasi pengawasan, analisis dokumen, dan sistem inspeksi industri. Penelitian ini diusulkan dengan tujuan menganalisis fitur-fitur citra dari dataset gambar tumpang tindih dan menentukan klasifikasi tingkat tumpang tindih menggunakan metode Random Forest berbasis machine learning. Fitur yang diekstraksi meliputi histogram warna, Local Binary Pattern (LBP), Histogram of Oriented Gradients (HOG), dan momen statistik citra. Hasil penelitian menunjukkan bahwa model Random Forest mencapai akurasi sebesar 93,7% dengan nilai precision, recall, dan F1-score yang sangat baik. Analisis feature importance menunjukkan bahwa fitur HOG menjadi fitur paling dominan dalam menentukan klasifikasi tumpang tindih, diikuti oleh LBP dan histogram warna.
References
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386
Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137–1149. https://doi.org/10.1109/TPAMI.2016.2577031
Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J., & Zisserman, A. (2010). The Pascal Visual Object Classes (VOC) Challenge. International Journal of Computer Vision, 88(2), 303–338. https://doi.org/10.1007/s11263-009-0275-4
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. Proceedings of the IEEE CVPR, 770–778. https://doi.org/10.1109/CVPR.2016.90
Rahman, A. F. (2020). Deteksi dan Pemisahan Objek Tumpang Tindih pada Citra Biner Menggunakan Morfologi Matematis. Jurnal Teknologi Informasi dan Ilmu Komputer, 7(3), 512–520. https://doi.org/10.25126/jtiik.202073456
Pratiwi, D. A., & Santoso, H. (2021). Klasifikasi Tingkat Tumpang Tindih Dokumen Hasil Scan dengan SVM, KNN, dan Decision Tree. JIKO (Jurnal Informatika dan Komputer), 4(3), 112–119. https://doi.org/10.33387/jiko.v4i3.3102
Kurniawan, R. B., Susanto, A., & Prasetyo, E. (2022). Deteksi Overlap Produk Manufaktur Menggunakan HOG dan SVM untuk Sistem Inspeksi Real-Time. Jurnal Sistem dan Informatika, 17(1), 34–42. https://doi.org/10.30864/jsi.v17i1.512
Handayani, S. R., Nugroho, F., & Wibowo, A. (2023). Klasifikasi Gambar Tumpang Tindih Multi-Kelas Menggunakan Convolutional Neural Network. Bandung Conference Series: Computer Science, 3(1), 88–96. https://doi.org/10.29313/bcss.v3i1.6712
Wijaya, M. T., Lestari, N. P., & Hidayat, R. (2024). Perbandingan Random Forest, XGBoost, dan LightGBM untuk Klasifikasi Citra Tumpang Tindih Berbasis Fitur HOG dan LBP. Justindo (Jurnal Sistem dan Teknologi Informasi Indonesia), 9(1), 45–53. https://doi.org/10.32528/justindo.v9i1.1754
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
Dalal, N., & Triggs, B. (2005). Histograms of Oriented Gradients for Human Detection. Proceedings of the IEEE CVPR, 886–893. https://doi.org/10.1109/CVPR.2005.177
