Analisis Algoritma Logistic Regression dan Support Vector Machine pada Kasus Klasifikasi Citra Hewan Rawa dengan Dataset yang tidak Seimbang

Abstrak

Penelitian ini bertujuan untuk mengevaluasi kinerja dua algoritma machine learning, Logistic Regression dan Support Vector Machine (SVM), dalam tugas klasifikasi citra hewan rawa menggunakan dataset yang tidak seimbang. Dataset yang digunakan terdiri dari empat kategori hewan rawa: Buaya, Kodok, Kura-kura, dan Ular, dengan distribusi yang sangat tidak merata. Kelas Kura-kura memiliki jumlah sampel yang jauh lebih banyak dibandingkan dengan kelas lainnya, menciptakan tantangan ketidakseimbangan data yang signifikan. Metode penelitian dimulai dengan mengimpor dataset citra hewan rawa ke dalam tool Orange Data Mining, diikuti oleh proses ekstraksi fitur menggunakan SqueezeNet (local) sebagai embedder. Dua model machine learning, yaitu Logistic Regression dan SVM, kemudian dilatih menggunakan fitur yang diekstraksi. Evaluasi model dilakukan dengan menambahkan widget test and score untuk mengukur metrik performa seperti Area Under the Curve (AUC), akurasi klasifikasi (CA), F1-Score, precision, recall, dan Matthews Correlation Coefficient (MCC). Hasil penelitian menunjukkan bahwa Logistic Regression unggul dalam hampir semua metrik evaluasi dibandingkan SVM. Logistic Regression mencapai nilai AUC sebesar 0.985, akurasi klasifikasi 0.908, F1-Score 0.909, precision 0.909, recall 0.908, dan MCC 0.859. Sebaliknya, SVM mencapai nilai AUC 0.971, akurasi klasifikasi 0.863, F1-Score 0.867, precision 0.877, recall 0.863, dan MCC 0.797. Kesimpulan dari penelitian ini adalah bahwa Logistic Regression merupakan model yang lebih tepat untuk tugas klasifikasi citra hewan rawa dengan dataset yang tidak seimbang. Model ini tidak hanya menunjukkan kinerja yang lebih baik dalam membedakan kelas-kelas citra tetapi juga lebih akurat dan seimbang dalam mengklasifikasikan sampel dari kelas minoritas