digilib@itb.ac.id +62 812 2508 8800

Dengan perkembangan komputer dan ketersediaan data, pendekatan berbasis data untuk pengelihatan komputer semakin populer. Tetapi, penggunaan model pengelihatan komputer berbasis pembelajaran mesin memiliki sifat black-box yang susah dibenarkan penggunaannya di beberapa sektor. Dengan praktek evaluasi kualitatif yang masih jarang, tesis ini mendemonstrasikan pentingnya investigasi penyorotan fitur dari pendekatan pembelajaran mesin. Tesis ini membandingkan tiga metode pembelajaran mesin untuk klasifikasi gambar, yaitu principal component analysis, jaringan saraf tiruan konvolusional, dan jaringan kapsul, untuk memecahkan tiga masalah rekayasa. Tesis ini juga menyoroti wawasan yang didapatkan dari principal component analysis dan menginvestigasi kesesuaian antara metode penafsiran dengan jaringan kapsul. Dari tiga teknik, ditemukan bahwa model jaringan kapsul terbaik dalam menyelesaikan tiga masalah rekayasa. Ditemukan juga bahwa principal component analysis memberikan wawasan dalam tingkat kesulitan suatu masalah untuk semua pendekatan berbasis data. Dari mengobesrvasi hasil, ditemukan bahwa jaringan kapsul tidak cocok dengan analisis sensitivitas untuk penafsiran.