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

doi:10.69693/ijmst.v4i2.9933

Authors

Adi Pratama Putra Universitas Singaperbangsa Karawang
Annisa Nur Aulia Nadiva Universitas Singaperbangsa Karawang
Dunik Andriyani Universitas Singaperbangsa Karawang
Sulthan Fauzan Fackhri Universitas Singaperbangsa Karawang

DOI:

https://doi.org/10.69693/ijmst.v4i2.9933

Keywords:

Pengenalan Bahasa Isyarat, KNN, SVM, Otsu Thresholding, Klasifikasi Citra

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.

References

Arifin, Z. (2021). Sistem pendukung keputusan berbasis komputer. Deepublish.

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018

Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27. https://doi.org/10.1109/TIT.1967.1053964

Davenport, T. (2017). Sign Language MNIST. Kaggle Dataset. https://www.kaggle.com/datamunge/sign-language-mnist

Fatta, H. A. (2017). Analisis dan perancangan sistem informasi. Andi.

Jogiyanto, H. M. (2018). Analisis dan desain sistem informasi. Andi.

Laudon, K. C., & Laudon, J. P. (2020). Management information systems: Managing the digital firm (16th ed.). Pearson.

Marimin. (2017). Teknik dan aplikasi pengambilan keputusan kriteria majemuk. Grasindo.

McLeod, R., & Schell, G. P. (2016). Management information systems (12th ed.). Pearson.

Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62–66. https://doi.org/10.1109/TSMC.1979.4310076

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.

Pressman, R. S., & Maxim, B. R. (2020). Software engineering: A practitioner's approach (9th ed.). McGraw-Hill.

Romney, M. B., & Steinbart, P. J. (2018). Accounting information systems (14th ed.). Pearson.

Turban, E., Pollard, C., & Wood, G. (2018). Information technology for management (11th ed.). Wiley.

Yakub. (2019). Pengantar sistem informasi. Graha Ilmu.