Analisis Klasifikasi Fitur RGB-Grayscale CIFAR-10 pada Algoritma Convolutional Neural Network dan Support Vector Machine

Abstract

Perkembangan teknologi kecerdasan buatan telah mendorong peningkatan signifikan dalam akurasi sistem pengenalan objek visual otomatis. Penelitian ini bertujuan untuk melakukan analisis mendalam mengenai performa klasifikasi fitur pada dataset gambar CIFAR-10 menggunakan dua pendekatan algoritma yang berbeda, yaitu Convolutional Neural Network (CNN) berbasis deep learning dan Support Vector Machine (SVM) berbasis machine learning konvensional. Dataset CIFAR-10 yang mencakup 60.000 citra berwarna dalam 10 kelas objek berbeda menjadi tolok ukur utama dalam pengujian ini. Metodologi penelitian diawali dengan tahap pra-pemrosesan citra, ekstraksi fitur, diikuti oleh pelatihan model dan evaluasi performa menggunakan matriks akurasi, precision, recall, dan F1-score. Perkembangan CNN sebagai algoritma klasifikasi diikuti oleh tuntutan sumber daya komputasi yang tinggi. Salah satu mekanisme untuk menekan kebutuhan sumber daya komputasi adalah menggunakan hasil ekstraksi fitur CNN dari citra dalam proses klasifikasi. Penelitian ini bertujuan untuk melakukan analisis kuantitatif kinerja klasifikasi antara algoritma CNN dan algoritma Support Vector Machine (SVM). Kontribusi utama dari penelitian ini adalah penyajian perbandingan komparatif yang komprehensif mengenai efisiensi komputasi dan akurasi antara model CNN end-to-end dan klasifikasi tradisional SVM. Kesimpulan hasil uji kinerja kedua algoritma dengan menggunakan fitur ekstraksi RGB dan grayscale adalah bahwa keduanya sangat kompetitif.