LAILA ALFI MA'RIFAH, - (2025) KLASIFIKASI TULANG TENGKORAK BERDASARKAN JENIS KELAMIN MENGGUNAKAN CORRELATION-BASED FEATURE SELECTION (CFS) DENGAN BACKPROPAGATION NEURAL NETWORK (BPNN). JPIT (Jurnal Informatika: Jurnal Pengembangan IT), 10 (2). pp. 333-347. ISSN ISSN 2477-5126 (print), 2548-9356 (online)

Preview

Text (Artikel) Skripsi_Laila Alfi Ma'rifah - LAILA ALFI MARIFAH TEKNIK INFORMATIKA.pdf - Published Version Download (1MB) | Preview

Abstract

Pada antropologi forensik, identifikasi jenis kelamin merupakan langkah awal dalam identifikasi individu dengan tingkat probabilitas 50%, yang berpengaruh pada pemeriksaan lain seperti estimasi usia dan tinggi. Tulang tengkorak menjadi pilihan terbaik kedua setelah tulang panggul dalam menentukan jenis kelamin dengan akurasi hingga 90%. Namun, metode morfologi dan metrik kurang dapat diandalkan karena variabilitas tengkorak yang tinggi, sementara analisis DNA tidak efektif pada tulang yang terbakar atau rusak. Penelitian ini bertujuan meningkatkan akurasi klasifikasi jenis kelamin menggunakan kombinasi Correlation-Based Feature Selection (CFS) dan Backpropagation Neural Network (BPNN). Dataset yang digunakan berasal dari Dr. William Howells, terdiri dari 2.524 sampel tengkorak dengan 85 variabel. Seleksi fitur dilakukan dengan CFS menggunakan dua nilai threshold (0,1 dan 0,01), dan dengan pelatihan BPNN menggunakan learning rate 0,01 dan 0,001 pada tiga arsitektur jaringan yang disesuaikan dengan jumlah neuron input. Teknik validasi dilakukan menggunakan k-fold cross-validation dengan k=10. Hasil menunjukkan bahwa penerapan CFS mampu meningkatkan akurasi klasifikasi dari 92,06% menjadi 93,25% pada konfigurasi threshold CFS 0,01, learning rate 0,001, dan arsitektur BPNN [72; 95; 1]. Penelitian ini berkontribusi dalam bidang informatika forensik dengan memperkenalkan pendekatan berbasis seleksi fitur dan pembelajaran mesin untuk meningkatkan akurasi identifikasi jenis kelamin berdasarkan data tengkorak.

Actions (login required)

View Item