Optimasi LBP Menggunakan BPSO untuk Klasifikasi Jenis Kelamin

Adam Geraldy Katab, Anditya Arifianto, Febryanti Sthevanie

Abstract

Abstrak Feature selection (seleksi fitur) adalah metode yang sangat penting dalam pemecahan permasalahan klasifikasi, karena metode ini mengambil bagian-bagian dari sebuah gambar yang dianggap penting atau relevan, untuk kemudian diklasifikasikan ke dalam kelasnya. Di tulisan ini, penulis mengajukan metode seleksi fitur menggunakan grid-based Local Binary Patterns (LBP), dimana sebuah gambar dipisah ke dalam beberapa blok grid untuk kemudian diekstrak histogram fiturnya, yang kemudian digabungkan menjadi satu histogram fitur. Penulis juga mengajukan metode optimasi seleksi fitur dengan menggunakan Particle Swarm Optimization (PSO). PSO mengurangi dimensi fitur yang sebelumnya sudah dipilih oleh LBP, untuk mengurangi waktu yang digunakan dalam proses klasifikasi. Dataset yang digunakan adalah Color FERET Database. Untuk proses klasifikasi, penulis menggunakan algoritma k-Nearest Neighbor (K-NN). Melalui penelitian ini, dapat disimpulkan bahwa PSO dapat mengurangi waktu runtime sampai dengan 50,1%. Kata kunci: local binary patterns, klasifikasi jenis kelamin, seleksi fitur, particle swarm optimization, knearest neighbor, color feret database Abstract Feature selection is a very important method in solving classification problems, because it will take a subset of relevant features from an image to be sent to the classifier algorithm. In this paper, we propose a gridbased Local Binary Patterns (LBP) where images are separated into multiple grids, from which histograms are extracted and concatenated. We also propose using Particle Swarms Optimization (PSO) to optimize the selected features to reduce its dimension and therefore reducing the time needed to solve the classification problem. The dataset used in this paper is the Color FERET Database. K-Nearest Neighbor (K-NN) is used as the classification algorithm. Through this paper, PSO is proven to have the ability to reduce the runtime by 50,1%. Keywords: local binary patterns, gender classification, feature selection, particle swarm optimization, knearest neighbor, color feret database

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0