Perbandingan Kinerja Metode HOG-SVM dan CNN pada Klasifikasi Kategori Font

Abstract

Penelitian ini membandingkan kinerja klasifikasi, efisiensi komputasi, dan ketahanan metode histogram of oriented gradients-support vector machine (HOG-SVM) dan convolutional neural network (CNN) dalam mengelompokkan kategori font sans-serif, serif, dan script. Evaluasi dilakukan terhadap 53.757 sampel citra beresolusi 128×128 piksel pada kondisi asli serta kondisi teraugmentasi yang terdiri atas rotasi, zoom, translasi, dan blur. Hasil penelitian menunjukkan bahwa pada kondisi asli, kedua metode mencapai akurasi yang sepadan, yaitu 94,66% untuk CNN dan 94,27% untuk HOG-SVM. Meskipun HOG-SVM lebih stabil pada uji distorsi tunggal, CNN terbukti lebih tangguh pada distorsi gabungan dengan akurasi 90,62% mengungguli HOG-SVM yang mengalami degradasi hingga 83,93%. Selain itu, arsitektur CNN mencatatkan efisiensi waktu inferensi yang jauh lebih singkat, yakni 2,84 ms/citra berbanding 21,60 ms/citra pada HOG-SVM, sehingga menjadikannya model yang lebih layak dan efisien untuk implementasi klasifikasi waktu nyata.