Editorial Ilmu Sosial
Open AccessOA2022
Analisis Kinerja Support Vector Machine dalam Klasifikasi Jenis Kelamin Tulang Sakrum pada Antropologi Forensik
Penelitian ini mengevaluasi kinerja Support Vector Machine (SVM) dengan kernel linear, polinomial, dan RBF dalam mengklasifikasikan jenis kelamin tulang sakrum menggunakan enam variabel metrik. Kernel polinomial mencapai akurasi tertinggi 85,56%, diikuti kernel linear 84,44% dan kernel RBF 83,33%.
Iis Afrianty; D. Nasien; H. Haron· JURNAL TEKNIK INFORMATIKA· 2022· DOI 10.15408/jti.v15i1.25254
Masalah inti
Klasifikasi jenis kelamin merupakan tugas fundamental dalam antropologi forensik, yang bertujuan menentukan apakah sisa-sisa kerangka milik laki-laki atau perempuan. Tulang sakrum, karena perbedaan morfologisnya antara jenis kelamin, menjadi elemen berharga untuk identifikasi. Makalah ini menyelidiki penerapan Support Vector Machine (SVM) untuk klasifikasi jenis kelamin sakrum menggunakan pengukuran metrik. Penelitian ini berfokus pada enam variabel: superior breadth, anterior length, mid ventral breadth, real height, diameter of the base, dan max-transverse diameter of the base. Tujuannya adalah menganalisis kinerja SVM dengan berbagai fungsi kernel—linear, polinomial, dan radial basis function (RBF)—serta mengidentifikasi kernel yang menghasilkan akurasi klasifikasi tertinggi.
Inovasi
Dataset terdiri atas pengukuran tulang sakrum dari individu yang jenis kelaminnya diketahui. Enam variabel metrik dicatat: superior breadth, anterior length, mid ventral breadth, real height, diameter of the base, dan max-transverse diameter of the base. Implementasi SVM menggunakan pustaka libSVM. Tiga fungsi kernel dievaluasi: linear, polinomial, dan RBF. Untuk setiap kernel, grid search dilakukan untuk mengoptimalkan hyperparameter: parameter regularisasi , koefisien kernel (untuk polinomial dan RBF), dan derajat polinomial . Metrik kinerja adalah akurasi klasifikasi. Rancangan eksperimen melibatkan pelatihan dan pengujian pada dataset, dengan hasil dilaporkan untuk pengaturan hyperparameter terbaik per kernel.
Pendahuluan
Klasifikasi jenis kelamin merupakan tugas fundamental dalam antropologi forensik, yang bertujuan menentukan apakah sisa-sisa kerangka milik laki-laki atau perempuan. Tulang sakrum, karena perbedaan morfologisnya antara jenis kelamin, menjadi elemen berharga untuk identifikasi. Makalah ini menyelidiki penerapan Support Vector Machine (SVM) untuk klasifikasi jenis kelamin sakrum menggunakan pengukuran metrik. Penelitian ini berfokus pada enam variabel: superior breadth, anterior length, mid ventral breadth, real height, diameter of the base, dan max-transverse diameter of the base. Tujuannya adalah menganalisis kinerja SVM dengan berbagai fungsi kernel—linear, polinomial, dan radial basis function (RBF)—serta mengidentifikasi kernel yang menghasilkan akurasi klasifikasi tertinggi.
Mengapa penting
Kinerja unggul kernel polinomial menunjukkan bahwa hubungan antara pengukuran sakrum dan jenis kelamin lebih baik ditangkap oleh batas keputusan polinomial. Kinerja kernel linear mendekati, menandakan bahwa data mungkin hampir terpisah secara linear. Kernel RBF, meskipun fleksibel, tidak mencapai akurasi tertinggi, kemungkinan karena overfitting atau penyetelan hyperparameter yang kurang optimal. Penelitian ini menunjukkan bahwa SVM adalah alat yang layak untuk klasifikasi jenis kelamin dari pengukuran sakrum, dengan akurasi melebihi 83% untuk semua kernel. Namun, ukuran dataset yang relatif kecil dapat membatasi generalisasi. Penelitian selanjutnya dapat mencakup sampel yang lebih besar dan variabel tambahan. Hasil ini konsisten dengan penelitian sebelumnya dalam antropologi forensik yang menggunakan SVM untuk penentuan jenis kelamin dari tulang lain.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten member…