Identifikasi atribut pejalan kaki merupakan salah satu penelitian yang banyak dikembangkan para peneliti computer vision, karena fungsinya dianggap sangat penting dalam bidang pengawasan visual. Pada penelitian ini akan dibangun model identifikasi atribut pejalan kaki dengan menggunakan metode Adaboost sebagai classifier dan metode feature learning pada CNN sebagai ekstraksi fitur. Terdapat 2 tahap utama yang dilakukan untuk identifikasi atribut, yaitu ektraksi fitur dan identifikasi atau klasifikasi. Pada tahap ekstraksi fitur digunakan CNN yang memiliki kemampuan feature learning. Pada tahap klasifikasi digunakan Adaptive Boosting Classifier (AdaBoost) dengan weak classifier yaitu decision stump. Dataset yang digunakan adalah PETA dan atribut yang di identifikasi berjumlah tujuh atribut dari 61 atribut biner, yaitu laki-laki, rambut panjang, sandal, celana pendek, tidak membawa barang, tas ransel, dan topi. Dataset yang digunakan ada 2 yaitu dataset dengan jumlah data positif dan negatif asli dan dataset dengan jumlah data yang diseimbangkan. Proses uji coba dilakukan dengan membandingkan metode penggabungan feature learning dan adaboost sebagai classifier dengan metode CNN sebagai classifier. Hasil uji coba menggunakan metode CNN sebagai classifier mendapatkan hasil akurasi yang lebih baik dibandingkan dengan metode adaboost sebagai classifier. CNN sebagai classifier mendapatkan hasil akurasi rata-rata 7 atribut sebesar 43,29% untuk dataset asli dan 73,61% untuk dataset seimbang. Sedangkan adaboost sebagai classifier mendapat hasil akurasi rata-rata 7 atribut sebesar 16.31% untuk dataset asli dan 58,79% untuk dataset seimbang.

The identification of pedestrian attributes is one of the many studies developed by computer vision researchers because its function is considered to be very important in the field of visual surveillance. In this research, a pedestrian attribute model will be built using the AdaBoost method as the classifier and CNN’s feature learning method as feature extraction. There are 2 main process performed for attributes identification, which are feature extraction and classification. In feature extraction, CNN which has the ability to learn features is used. In the classification level, Adaptive Boosting Classifier (AdaBoost) is used with a weak classifier, decision stump. The dataset used was PETA and the attributes contained in the agreement were the collection of seven attributes from 61 binary attributes, namely men, long hair, sandals, shorts, not carrying items, backpacks, and hats. The dataset used is categorized as 2 main groups, which dataset with several positive and negative data and original data with a balanced amount of data. The trial process is carried out by comparing the method of combining learning features and AdaBoost as a classifier with the CNN method as a classifier. The results of trials using the CNN method as a classification get accuracy results better than the AdaBoost method as a classifier. CNN as a classifier gets the results of getting an average of 7 attributes of 43.29% for the original dataset and 73.61% for the balanced dataset. While Adaboost as a classifier gets an average accuracy of 7 attributes of 16.31% for the original dataset and 58.79% for a balanced dataset.