Perpustakaan Digital ITB

Disertasi ini mengusulkan pendekatan inovatif dalam klasifikasi citra dengan Copula Gaussian menggunakan pendekatan data simbolik untuk merepresentasikan citra sebagai distribusi nilai intensitas piksel dan lokasi. Pendekatan ini bertujuan untuk mengatasi keterbatasan metode klasifikasi citra pada umumnya yang bergantung pada fitur nilai piksel sehingga menyebabkan kebutuhan memori yang besar dan kompleksitas komputasi. Melalui pemodelan dengan pendekatan data simbolik fungsi distribusi, permasalahan tersebut dapat direduksi dengan baik. Ketergantungan antara variabel acak dalam citra menggunakan Copula Gaussian, serta ekstraksi fitur dari distribusi nilai piksel dan lokasi, disertasi ini mengusulkan model klasifikasi yang sederhana dan efisien dalam klasifikasi citra. Metodologi penelitian mencakup pra-pemrosesan citra, pemilihan fitur, pemodelan Copula Gaussian, dan pelatihan model klasifikasi. Disertasi ini juga mengusulkan statistik uji baru yaitu statistik uji khi-kuadrat berdasarkan Copula Gaussian untuk melakukan klasifikasi citra. Pendekatan ini diimplementasikan pada basis data MNIST, dan hasilnya diukur menggunakan akurasi. Hasil dari penelitian ini mencakup pengembangan model klasifikasi citra yang lebih sederhana dan akurat, ekstraksi fitur yang lebih abstrak, serta pendekatan baru dalam menentukan kelas citra menggunakan statistik uji. Hasil penelitian didapatkan bahwa distribusi lokasi memiliki peran penting dalam menggambarkan karakteristik fitur citra, disamping distribusi intensitas piksel. Selain itu, banyaknya partisi juga berpengaruh terhadap tingkat akurasi klasifikasi yang didapat. Partisi empat baris memberikan hasil akurasi yang lebih baik dibandingkan partisi tiga dan dua baris, juga terhadap data penuh. Titik pembeda yang tepat ikut menentukan kinerja model klasifikasi yang didapat. Model klasifikasi copula Gaussian terbaik didapatkan dengan fitur nilai piksel dan lokasi dalam empat partisi baris dan dua titik pembeda dengan nilai akurasi mencapai . Penelitian ini berpotensi memberikan kontribusi penting dalam pengembangan metode klasifikasi citra yang lebih baik dan efisien.