Perpustakaan Digital ITB

Kemajuan teknologi informasi dan kecerdasan buatan telah mendorong inovasi dalam pengenalan pola, khususnya pada kumpulan data MNIST, yaitu kumpulan digit tulisan tangan. MNIST terdiri dari dua komponen utama: data gambar X dan label y. Penelitian ini berfokus pada eksplorasi penerapan konsep analisis data topologi, khususnya melalui analisis persistence barcode. Selanjutnya, proses klasifikasi menggunakan teknik pembelajaran mesin, khususnya support vector machine dengan kernel radial basis. Setiap digit pada dataset MNIST direpresentasikan sebagai matriks berukuran 28x28, dengan elemen matriks berkisar antara 1 hingga 255. Langkah - langkah yang dilakukan meliputi konversi matriks skala abu - abu ke matriks biner, pembentukan kerangka menggunakan metode Thinning Zhang-Suen, pembentukan embedded graph, penentuan nilai filtrasi, dan pembentukan persistence barcode. Fitur diekstraksi dari persistence barcode menggunakan metode Adcock-Carlsson Coordinates. Untuk meningkatkan akurasi, setiap gambar dalam kumpulan data MNIST mengalami empat rotasi (utara, selatan, barat, timur), sehingga setiap gambar menghasilkan 32 fitur hasil ekstraksi. Fitur ini berfungsi sebagai masukan untuk algoritma klasifikasi. Dataset MNIST dibagi menjadi dua bagian: 80% digunakan sebagai data pelatihan (56.000 data), sementara 20% digunakan sebagai data uji (14.000 data). Parameter yang dipilih meliputi ? sebesar 0.006551285568595509 dan parameter C sebesar 138.94954943731375. Melalui proses ini akurasi yang dicapai pada data pengujian mencapai 70%.