Implementasi Metode Extra Trees Classifier untuk Klasifikasi Jenis Sampah Menggunakan Ekstraksi Fitur Histogram Warna, Histogram of Oriented Gradient, dan Local Binary Pattern

Esra Louis; Adlian  Jefiza; Feralia  Fitri

doi:10.60036/7pc16r67

Authors

Esra Louis Politeknik Negeri Batam Author
Adlian Jefiza Politeknik Negeri Batam Author
Feralia Fitri Politeknik Negeri Batam Author

DOI:

https://doi.org/10.60036/7pc16r67

Keywords:

Computer Vision, Extra Trees Classifier, HOG, LBP, Klasifikasi Sampah

Abstract

Peningkatan jumlah sampah yang dihasilkan masyarakat menuntut adanya sistem pemilahan sampah yang lebih efektif dan otomatis. Salah satu teknologi yang dapat digunakan adalah computer vision yang mampu mengenali jenis sampah berdasarkan karakteristik visualnya. Penelitian ini bertujuan untuk mengklasifikasikan enam jenis sampah yaitu kardus, kaca, logam, kertas, plastik, dan sampah menggunakan metode Extra Trees Classifier. Dataset yang digunakan merupakan Dataset Klasifikasi Sampah yang diperoleh dari Kaggle dan telah dibagi menjadi data latih, validasi, dan pengujian. Tahapan penelitian meliputi preprocessing citra, ekstraksi fitur menggunakan Histogram Warna, Histogram of Oriented Gradient (HOG), dan Local Binary Pattern (LBP), kemudian dilanjutkan dengan proses klasifikasi menggunakan Extra Trees Classifier. Model evaluasi dilakukan menggunakan akurasi, presisi, recall, dan F1-score, konfusi matriks, dan ROC Curve. Hasil penelitian menunjukkan bahwa model mampu mencapai akurasi sebesar 99,88% dengan nilai presisi, recall, dan F1-score mendekati 1,00 pada seluruh kelas. Hasil tersebut menunjukkan bahwa kombinasi fitur Histogram Warna, HOG, dan LBP mampu merepresentasikan karakteristik objek sampah dengan baik sehingga menghasilkan performa klasifikasi yang sangat tinggi.

References

[1] Richard Szeliski, Computer Vision: Algorithms and Applications, 2nd ed. Springer, 2022.

[2] N. Dalal and B. Triggs, "Histograms of oriented gradients for human detection," in Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR), 2005, pp. 886–893.

[3] T. Ojala, M. Pietikäinen, and T. Mäenpää, "Multiresolution gray-scale and rotation invariant texture classification with local binary patterns," IEEE Trans. Pattern Anal. Mach. Intell., vol. 24, no. 7, pp. 971–987, 2002.

[4] P. Geurts, D. Ernst, and L. Wehenkel, "Extremely randomized trees", Machine Learning, vol. 63, no. 1, pp. 3–42, 2006, doi: 10.1007/s10994-006-6226-1.

[5] Y. Yu and R. Grammenos, "Towards artificially intelligent recycling: Improving image processing for waste classification," arXiv preprint arXiv:2108.06274, 2021.

[6] S. Jin, Z. Yang, G. Królczyk, and Z. Li, "Garbage detection and classification using a new deep learning-based machine vision system as a tool for sustainable waste recycling," Waste Management, vol. 162, pp. 123–130, 2023.

[7] L. Song, H. Zhao, Z. Ma, and Q. Song, "A new method of construction waste classification based on two-level fusion," PLOS ONE, vol. 17, no. 12, p. e0279472, 2022, doi: 10.1371/journal.pone.0279472.