IDENTIFIKASI BINER ATRIBUT PEJALAN KAKI MENGGUNAKAN ADAPTIVE BOOSTING CLASSIFIER DENGAN FEATURE LEARNING CNN SEBAGAI EKTRAKSI FITUR

Identifikasi atribut pejalan kaki merupakan salah satu penelitian yang banyak dikembangkan para peneliti computer vision, karena fungsinya dianggap sangat penting dalam bidang pengawasan visual. Pada penelitian ini akan dibangun model identifikasi atribut pejalan kaki dengan menggunakan metode Adaboost sebagai classifier dan metode feature learning pada CNN sebagai ekstraksi fitur. Terdapat 2
tahap utama yang dilakukan untuk identifikasi atribut, yaitu ektraksi fitur dan identifikasi atau klasifikasi. Pada tahap ekstraksi fitur digunakan CNN yang memiliki kemampuan feature learning. Pada tahap klasifikasi digunakan Adaptive Boosting Classifier (AdaBoost) dengan weak classifier yaitu decision stump. Dataset yang digunakan adalah PETA dan atribut yang di identifikasi berjumlah tujuh atribut dari 61
atribut biner, yaitu laki-laki, rambut panjang, sandal, celana pendek, tidak membawa barang, tas ransel, dan topi. Dataset yang digunakan ada 2 yaitu dataset dengan jumlah
data positif dan negatif asli dan dataset dengan jumlah data yang diseimbangkan. Proses uji coba dilakukan dengan membandingkan metode penggabungan feature learning dan adaboost sebagai classifier dengan metode CNN sebagai classifier. Hasil uji coba menggunakan metode CNN sebagai classifier mendapatkan hasil akurasi yang lebih baik dibandingkan dengan metode adaboost sebagai classifier. CNN sebagai classifier mendapatkan hasil akurasi rata-rata 7 atribut sebesar 43,29% untuk dataset asli dan 73,61% untuk dataset seimbang. Sedangkan adaboost sebagai classifier
mendapat hasil akurasi rata-rata 7 atribut sebesar 16.31% untuk dataset asli dan 58,79% untuk dataset seimbang.