Sidang Tertutup Disertasi Linda Marlinda

Linda Marlinda (NIM P41.2019.00018), akan mempertahankan penelitian disertasinya yang berjudul “INDEKS KESAMAAN PADA MACHINE LEARNING UNTUK IDENTIFIKASI CITRA WAJAH ARCA BUDDHA”, besok pada hari Kamis, 26 Juni 2025, Pukul 09.00 WIB. Tim Penyanggah Disertasi: Prof. Dr. Ir. Edi Noersasongko, M.Kom (Ketua), Prof. Dr. Ir. Mochamad Wahyudi, M.Kom, MM, M.Pd, IPU, ASEAN Eng., Prof. Dr. Aris Marjuni, S.Si, M.Kom, Sri Winarno, M.Kom, Ph.D., dan Affandy, M.Kom, Ph.D. Adapun Tim Supervisor terdiri dari: Dr. Fikri Budiman, M.Kom (Ketua), Dr. Ruri Suko Basuki, M.Kom, dan Dr. Ahmad Zainul Fanani, S.Si, M.Kom. Linda Marlinda,

Berikut abstrak dari disertasi:
“Pelestarian warisan budaya visual seperti arca Buddha menghadapi tantangan signifikan dalam proses digitalisasi dan identifikasi citra, terutama ketika objek memiliki kemiripan visual yang sangat tinggi. Penelitian ini mengembangkan sebuah pendekatan berbasis indeks kesamaan untuk mengidentifikasi wajah arca Buddha menggunakan kombinasi metode ekstraksi fitur dan teknik stabilisasi nilai kesamaan. Permasalahan utama yang diangkat adalah rendahnya akurasi pencocokan pada objek berbeda yang memiliki kemiripan bentuk dan tekstur, serta munculnya nilai negatif pada penghitungan metrik Chi-Square akibat variasi pencahayaan dan kualitas citra yang tidak konsisten. Tiga eksperimen dilakukan untuk menjawab rumusan masalah yang diajukan. Eksperimen pertama menilai performa metode Scale-Invariant Feature Transform (SIFT) dalam mengenali fitur lokal pada satu objek wajah arca yang mengalami rotasi, dengan hasil akurasi mencapai 90%. Eksperimen kedua membandingkan metode SIFT dan ORB (Oriented FAST and Rotated BRIEF) dalam mencocokkan dua wajah arca berbeda namun mirip. Hasilnya menunjukkan akurasi sangat rendah, yaitu 2% untuk SIFT dan 1% untuk ORB. Eksperimen ketiga menggabungkan metode SIFT dan Discrete Cosine Transform (DCT) untuk mengoptimalkan pencocokan berdasarkan fitur lokal dan tekstur global. Selanjutnya, teknik SHashing berbasis perceptual hashing diterapkan untuk menstabilkan hasil pencocokan dan mengoreksi nilai negatif dalam penghitungan kesamaan. Dataset dalam penelitian ini dikumpulkan secara mandiri dari sumber terbuka, dengan proses Preprocessing yang meliputi normalisasi ukuran, konversi ke skala abu-abu, pemotongan menggunakan bounding box, dan peningkatan pencahayaan menggunakan CLAHE. Evaluasi kinerja dilakukan menggunakan metrik precision, recall, F1-score, serta pengukuran jarak Euclidean, Manhattan, Chi-Square, dan Hamming. Hasilnya menunjukkan bahwa pendekatan hybrid SIFT–DCT–SHashing mampu menghasilkan pencocokan yang lebih stabil, akurat, dan robust terhadap noise dan distorsi. Kontribusi utama dari penelitian ini adalah pengembangan sistem identifikasi wajah arca berbasis indeks kesamaan yang efektif untuk kondisi citra serupa, namun berasal dari objek yang berbeda. Temuan ini diharapkan dapat menjadi dasar bagi pengembangan sistem pelestarian visual digital untuk artefak budaya berbasis kecerdasan buatan.”