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%.