STUDI KOMPARATIF XGBOOST DAN MLP BERDASARKAN EVALUASI FITUR PADA KLASIFIKASI ANGKA BAHASA ISYARAT SIBI

Abstract

Sistem pengenalan bahasa isyarat berbasis sarung tangan sensor dikembangkan sebagai alat bantu komunikasi bagi komunitas tunarungu. Meskipun demikian, penentuan kombinasi fitur pada sistem tersebut sering kali dilakukan secara intuitif tanpa validasi empiris. Penelitian ini mengevaluasi validitas pemilihan fitur menggunakan algoritma ExtraTreesClassifier pada dataset angka Sistem Isyarat Bahasa Indonesia (SIBI) yang terdiri dari 20 kelas gestur. Hasil analisis menunjukkan bahwa saluran magnetometer, yang dikecualikan dalam penelitian acuan sebelumnya, merupakan fitur paling informatif. Sebaliknya, saluran akselerometer yang dipertahankan dalam studi acuan tersebut berada di peringkat terbawah kepentingan fitur. Selanjutnya, dua model klasifikasi, yaitu Extreme Gradient Boosting (XGBoost) dan Multilayer Perceptron (MLP) berbasis PyTorch, dioptimalkan menggunakan pencarian hiperparameter Bayesian melalui Optuna dengan 100 percobaan per konfigurasi pada dua himpunan fitur berbeda. Menggunakan seluruh 16 fitur, XGBoost mencapai akurasi uji sebesar 99,83% dan MLP mencapai 99,08%. Kedua hasil tersebut melampaui baseline k-Nearest Neighbors (kNN) yang mencatat akurasi 98,90%. Ambiguitas klasifikasi pada Kelas 16 dan 17, yang menjadi kelemahan utama kNN akibat kemiripan karakteristik data, dapat diselesaikan. Nilai F1-score kedua kelas tersebut meningkat masing-masing dari 0,97 dan 0,95 menjadi 0,9972 dan 0,9978. Temuan ini menunjukkan bahwa metode ansambel pohon keputusan mengungguli kNN dan MLP pada data sensor tabular. Hasil eksperimen ini juga menunjukkan bahwa tahapan evaluasi kepentingan fitur secara objektif merupakan fondasi penting dalam perancangan sistem klasifikasi gestur.