MODEL PENGENALAN TERBAIK DENGAN TREE-AUGMENTED NETWORK (TAN) DAN ESTIMATOR MAXIMUM LIKELIHOOD (ML) BERDASARKAN FITUR OBJEK

Abstract

Pengenalan suatu objek sangat tergantung dari seberapa handal model yang digunakan  serta parameter model tersebut. Tree-Augmented Network (TAN) adalah salah satu model yang handal dalam melakukan klasifikasi, yang dibangun dengan memperhatikan hubungan diantara pasangan fitur-fitur objek. Sedangkan Maximum Likellihood (ML) adalah salah satu estimator yang telah banyak digunakan dan telah teruji penggunaannya. Kehandalan model serta estimator yang digunakan pada kenyataan belum cukup untuk menghasilkan model pengenalan terbaik, akan tetapi ada faktor lain yang memberi kontribusi besar yaitu dimensi atau fitur objek yang digunakan dalam membangun model tersebut. Hasil eksperimen untuk data training yang terdiri dari 5 jenis objek ringan menunjukkan untuk dimensi objek 5x5 (25 fitur), 6x6 (36 fitur) dan 7x6 (42 fitur) menghasilkan model TAN terbaik karena memberikan tingkat akurasi sistem 100%, sedangkan untuk dimensi dibawah atau diatas tersebut menghasilkan tingkat akurasi sistem yang lebih rendah. Kondisi tersebut menunjukkan bahwa tidak selamanya semakin besar dimensi atau fitur objek yang digunakan dalam training akan menghasilkan model yang semakin baik, karena bisa jadi semakin besar dimensi atau fitur objek akan menghasilkan informasi overflow.

Kata Kunci: Tree-Augmented Network, Maximum Likelihood, Dimensi (fitur) objek