Klasifikasi Jenis Citra Makanan Tunggal Berdasarkan Fitur Local Binary Patterns dan Hue Saturation Value Menggunakan Improved KNearest Neighbor

Adha, Sarah Najla (2018) Klasifikasi Jenis Citra Makanan Tunggal Berdasarkan Fitur Local Binary Patterns dan Hue Saturation Value Menggunakan Improved KNearest Neighbor. Sarjana thesis, Universitas Brawijaya.

Abstract

Makanan adalah bahan pokok yang diperlukan oleh tiap makhluk hidup. Makanan yang memiliki kualitas buruk atau tidak sehat dapat menyebabkan penyakit ataupun alergi. Untuk menghindari hal tersebut, teknologi yang berkembang saat ini dapat dimanfaatkan untuk membuat sistem klasifikasi jenis makanan. Klasifikasi jenis makanan dapat dilakukan dengan pengolahan citra digital. Pengolahan citra digital digunakan untuk menganalisis fitur yang terdapat pada citra. Pada penelitian ini, fitur yang digunakan untuk mengklasifikasi jenis citra makanan adalah fitur warna dan tekstur. Ekstraksi fitur warna dilakukan dengan ruang warna Hue Saturation Value (HSV) dan fitur tekstur dengan metode Local Binary Patterns (LBP). Klasifikasi dilakukan dengan metode Improved K-Nearest Neighbor (Improved K-NN). Hasil pengujian nilai k menunjukkan bahwa didapatkan akurasi tertinggi sebesar 90,476% dengan nilai k=1. Ketika fitur yang digunakan hanya fitur warna, didapatkan nilai akurasi tertinggi 90,476% dengan nilai k=1. Ketika fitur yang digunakan hanya fitur tekstur, didapatkan nilai akurasi tertinggi 85,714% dengan nilai k=1. Hasil pengujian metode klasifikasi menunjukkan bahwa metode Improved K-NN menghasilkan akurasi yang lebih tinggi dari metode K-NN dengan rata-rata akurasi 80,306%. Sehingga hasil klasifikasi terbaik didapatkan dengan penggunaan kombinasi fitur warna dan tekstur dengan metode klasifikasi Improved K-NN.

English Abstract

Food is the basic ingredient needed by every living thing. Foods that have poor or unhealthy quality can cause illness or allergies. To avoid this, current technology can be used to create a food classification system. Classification of food types can be done by digital image processing. Digital image processing is used to analyze features contained in the image. In this study, the features used to classify the types of food images are color and texture features. Color feature extraction is done by Hue Saturation Value (HSV) color space and texture features using the Local Binary Patterns (LBP) method. Classification is done by the Improved K-Nearest Neighbor (Improved K-NN) method. The test results of the k value indicate that the highest accuracy is obtained at 90,476% with a value of k = 1. When the feature used is only a color feature, the highest accuracy value is obtained at 90,476% with a value of k = 1. When the feature used is only a texture feature, the highest accuracy value is obtained 85,714% with a value of k = 1. The results of testing the classification method showed that the Improved KNN method produced higher accuracy than the K-NN method with an average accuracy of 80.306%. So the best classification results are obtained by using a combination of color and texture features with the Improved K-NN classification method.

Item Type:	Thesis (Sarjana)
Identification Number:	SKR/FTIK/2018/983/051900774
Uncontrolled Keywords:	makanan, local binary patterns, hue saturation value, improved k-nn.-food, hue saturation value, local binary patterns, improved k-nn.
Subjects:	600 Technology (Applied sciences) > 641 Food and drink > 641.3 Food > 641.300 285 Food--Data processing
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	16 Apr 2020 13:44
Last Modified:	18 May 2022 05:08
URI:	http://repository.ub.ac.id/id/eprint/166692

Text Sarah Najla Adha.pdf Download (13MB)

Actions (login required)

View Item