IMPLEMENTASI HYBRID INTELLIGENT SYSTEM  UNTUK KLASIFIKASI JENIS BOLA  BERBASIS COMPUTER VISION

Riyan Saputra; Agung Ramadhanu

doi:10.51401/jinteks.v7i1.5368

Authors

Riyan Saputra Universitas Putra Indonesia "YPTK" Padang
Agung Ramadhanu

DOI:

https://doi.org/10.51401/jinteks.v7i1.5368

Keywords:

Sistem Intelijen Hibrida, Visi Komputer, Klasifikasi

Abstract

Salah satu domain utama dalam bidang kecerdasan buatan adalah visi komputer, yang memfasilitasi kapasitas komputer untuk menganalisis dan menafsirkan data visual yang berasal dari lingkungan fisik. Aplikasi yang signifikan dari visi komputer adalah klasifikasi objek, yang dapat digunakan di beragam objek, termasuk bentuk bola. Penelitian ini berusaha untuk menerapkan sintesis berbagai metodologi dalam kecerdasan buatan untuk mengkategorikan berbagai jenis bola, khususnya bola basket, bola voli, dan bola tenis. Dataset visual terdiri dari 16 gambar yang digunakan untuk pelatihan dan 10 gambar yang disediakan untuk pengujian. Kerangka prosedural mencakup pra-pemrosesan gambar, ekstraksi fitur yang berfokus pada warna dan ukuran, normalisasi data melalui Z-Score, pengurangan dimensi melalui Analisis Komponen Utama (PCA), pembelajaran mesin menggunakan algoritma K-Nearest Neighbors (KNN), yang berpuncak pada fase pengujian. Temuan penelitian ini menunjukkan tingkat akurasi 90%, menunjukkan bahwa klasifikasi jenis bola dapat secara efektif memanfaatkan Sistem Intelijen Hibrida.

References

W. Cai, “Exploring Object Classification with Artificial Intelligence,” Adv. Eng. Technol. Res., vol. 6, no. 1, p. 526, 2023, doi: 10.56028/aetr.6.1.526.2023.

N. P. Vidhu et al., “Application of K-Nearest Neighbors Algorithm for Vaccine Target Prediction,” Apr. 08, 2024. doi: 10.31219/osf.io/gmzx2.

Suprayitno, “Journal physical health recreation,” J. Phys. Heal. Recreat., vol. 3, no. 1, pp. 5–11, 2022.

N. Nurdiansyah, M. Muliadi, R. Herteno, D. Kartini, and I. Budiman, “Implementasi Metode Principal Component Analysis (Pca) Dan Modified K-Nearest Neighbor Pada Klasifikasi Citra Daun Tanaman Herbal,” J. Mnemon., vol. 7, no. 1, pp. 1–9, 2024, doi: 10.36040/mnemonic.v7i1.6664.

M. Mazlan, E. Ismaredah, H. Simaremare, and O. B. Kharisma, “Desain Sistem Pendeteksi Plat Kendaraan Untuk Pengisian BBM Menggunakan Metode K-Nearest Neighbor (KNN),” J. Inf. Syst. Res., vol. 4, no. 4, pp. 1118–1126, 2023, doi: 10.47065/josh.v4i4.3768.

J. L. Salgueiro, L. Pérez, Á. Sanchez, Á. Cancela, and C. Míguez, “Microalgal biomass quantification from the non-invasive technique of image processing through red–green–blue (RGB) analysis,” J. Appl. Phycol., vol. 34, no. 2, pp. 871–881, 2022, doi: 10.1007/s10811-021-02634-6.

Z. N. Khudhair et al., “Color to Grayscale Image Conversion Based on Singular Value Decomposition,” IEEE Access, vol. 11, no. May, pp. 54629–54638, 2023, doi: 10.1109/ACCESS.2023.3279734.

C. O. Ayna, B. K. Gunturk, and A. C. Gurbuz, “Learning Binary Color Filter Arrays with Trainable Hard Thresholding,” vol. 2047771, no. 2047771, 2024, [Online]. Available: http://arxiv.org/abs/2406.14421

F. Xiong, Z. Zhang, Y. Ling, and J. Zhang, “Image thresholding segmentation based on weighted Parzen-window and linear programming techniques,” Sci. Rep., vol. 12, no. 1, pp. 1–16, 2022, doi: 10.1038/s41598-022-17818-4.

M. Fahmi, A. Yudhana, and S. Sunardi, “Image Processing Using Morphology on Support Vector Machine Classification Model for Waste Image,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 22, no. 3, pp. 553–566, 2023, doi: 10.30812/matrik.v22i3.2819.

A. Yasir, W. Satria, and P. Yuanda, “Digital Image Processing Metode Median Filtering Dan Morfologi Opening Dalam Reduksi Noise Citra,” War. Dharmawangsa, vol. 17, no. 4, pp. 1687–1701, 2023, doi: 10.46576/wdw.v17i4.3821.

J. Liu, S. Mei, T. Song, and H. Liu, “Feature extraction of 3D Chinese rose model based on color and shape features,” Front. Plant Sci., vol. 13, no. November, pp. 1–12, 2022, doi: 10.3389/fpls.2022.1042016.

Y. Wang, Y. Jia, Y. Bai, Q. Wei, and M. Zhang, “Digital Image-based Method of Leaf Color and Area Feature Recognition,” Adv. Comput. Commun., vol. 5, no. 2, pp. 122–127, 2024, doi: 10.26855/acc.2024.04.005.

M. Pagan, M. Zarlis, and A. Candra, “Investigating the impact of data scaling on the k-nearest neighbor algorithm,” Comput. Sci. Inf. Technol., vol. 4, no. 2, pp. 135–142, 2023, doi: 10.11591/csit.v4i2.pp135-142.

I. M. Karo Karo and H. Hendriyana, “Klasifikasi Penderita Diabetes menggunakan Algoritma Machine Learning dan Z-Score,” J. Teknol. Terpadu, vol. 8, no. 2, pp. 94–99, 2022, doi: 10.54914/jtt.v8i2.564.

C. Cheng, “Principal Component Analysis variants for Parkinson datasets,” Appl. Comput. Eng., vol. 44, no. 1, pp. 48–55, 2024, doi: 10.54254/2755-2721/44/20230097.

W. Khan, M. Turab, W. Ahmad, S. H. Ahmad, K. Kumar, and B. Luo, “Data Dimension Reduction makes ML Algorithms efficient,” ICETECC 2022 - Int. Conf. Emerg. Technol. Electron. Comput. Commun., 2022, doi: 10.1109/ICETECC56662.2022.10069527.

Alfhataya Pratiwi, R. S. Hasibuan, and R. M. Saragih, “Implementation of the K-Nn Algorithm To Determine Patterns of Tourist Destination Recommendations,” Infokum, vol. 11, no. 04, pp. 59–68, 2023, doi: 10.58471/infokum.v11i04.1792.