Peningkatan Performa Ensemble Learning pada Segmentasi Semantik Gambar dengan Teknik Oversampling untuk Class Imbalance

Perkembangan teknologi dan gaya hidup manusia yang semakin tinggi menghasilkan data-data berlimpah. Data-data tersebut dapat berbentuk data terstruktur tidak terstruktur. Data gambar termasuk dalam Aktifitas objek terekam suatu beraneka ragam. Secara normal, mata dengan mudah membedakan antara foreground background dari gambar, tetapi komputer membutuhkan pembelajaran keduanya. Segmentasi adalah salah satu bidang computer vision membahas bagaimana cara mempelajari mengenali segmen sesuai label ditentukan. Dalam kenyataannya banyak mempunyai class atau seimbang, tentunya akan mempengaruhi tingkat akurasi prediksi. riset ini meningkatkan segmentasi semantik pada metode ensemble learning untuk menangani masalah seimbang gambar. Teknik digunakan sintetis oversampling sehingga tinggi. Metode Random Forest Light Gradien Boosting Machine (LGBM). Dengan menggunakan dataset Penn-Fudan Database for Pedestrian mengandung imbalanced class. Penggunaan teknik memperbaikki minoritas. Pada algoritma random forest mengalami peningkatan sebesar 37 % sedangkan LGBM meningkat 41 %. AbstractThe development of technology and the increasingly high lifestyle humans produce abundant data. These can be in form structured unstructured Image is included The activities objects recorded a picture are varied. Normally, human eye easily distinguish between an image, but computers need to two. segmentation one fields that discusses how learn recognize segments image according specified labels. In reality, lot has unbalanced classes or labels, course, it will affect accuracy prediction. This research improve semantic method deal with problem segmentation. technique used synthetic so as balanced accuracy. methods Gradient By using which contains use techniques level minority classes. algorithm experienced increase by 37% while increased 41%.