Seleksi Fitur Information Gain Pada Klasifikasi Citra Makanan Menggunakan Hue Saturaion Value Dan Gray Level Co-Occurrence Matrix

Nabella, Frisma Yessy (2018) Seleksi Fitur Information Gain Pada Klasifikasi Citra Makanan Menggunakan Hue Saturaion Value Dan Gray Level Co-Occurrence Matrix. Sarjana thesis, Universitas Brawijaya.

Abstract

Pemilihan makanan menjadi masalah terutama bagi mereka yang baru pertama kali mencicipi atau mencari suatu makanan yang belum diketahui bahan dan kadar gizinya. Klasifikasi penting dilakukan untuk menilai diet pada penderita diabetes dan penderita alergi makanan serta membantu dalam menemukan kalori makanan, nilai nutrisi dan sebagai referensi makanan. Pemilihan makanan juga diperlukan bagi para penyandang tunanetra untuk mengetahui nama suatu makanan. Mengonsumsi makanan yang benar juga penting dilakukan untuk menghindari penyakit dan menjalani gaya hidup sehat. Klasifikasi makanan dapat dilakukan menggunakan metode-metode yang ada pada computer vision. Proses klasifikasi diawali dengan pre-processing citra yang menghasilkan citra tersegmentasi. Hasil dari pre-processing kemudian masuk ke tahap ekstraksi fitur. Penelitian ini menggunakan eksraksi warna Hue Saturation Value (HSV) dan tekstur Gray Level Co-Occurrence Matrix (GLCM). Selanjutnya dilakukan seleksi fitur berdasarkan fitur-fitur yang telah didapatkan untuk mengambil fitur-fitur yang relevan saja guna meningkatkan akurasi dan mengurangi beban kerja sistem menggunakan seleksi fitur Information Gain. Proses yang terakhir yaitu klasifikasi. Penelitian ini menggunakan metode klasifikasi K-Nearest Neighbor. Hasil akurasi terbaik pada penelitian ini yaitu 95,24% dengan hanya menggunakan HSV menggunakan seleksi fitur dengan nilai k=1. Pada kombinasi HSV dan GLCM dengan Information Gain mampu meningkatkan akurasi dari 57,14% menjadi 87,61%. Begitu juga dengan fitur GLCM saja menggunakan Information Gain yang dapat meningkatkan akurasi dari 57,14% menjadi 74,28%. Dengan demikian, seleksi fitur Information Gain sangat berperan dalam meningkatkan akurasi dan mampu mendapatkan fitur-fitur relevan apabila menggunakan fitur berjumlah banyak. Sedangkan apabila jumlah fitur sedikit, peningkatan akurasi tidak terlalu signifikan namun tetap mampu mengurangi beban kerja sistem.

English Abstract

The choice of food is a problem, especially for those who are the first time tasting or looking for a food that has no known ingredients and nutritional content. An important classification is done to assess diets in diabetics and food allergies and help in finding food calories, nutritional values and food references. The choice of food is also needed for blind people to know the name of a food. Eating the right foods is also important to avoid disease and lead a healthy lifestyle. Food classification can be done using methods in computer vision. The classification process begins with pre-processing images that produce segmented images. The results of pre-processing then enter the feature extraction stage. This study uses the extraction of Hue Saturation Value (HSV) and Gray Level Co-Occurrence Matrix (GLCM) textures. Furthermore, feature selection is based on the features that have been obtained to take only relevant features to improve accuracy and reduce system workload using the Information Gain feature selection. The last process is classification. This study uses the K-Nearest Neighbor classification method. The best accuracy results in this study were 95.24% using only HSV using feature selection with a value of k = 1. The combination of HSV and GLCM with Information Gain was able to increase accuracy from 57.14% to 87.61%. Likewise, the GLCM feature only uses Information Gain which can increase accuracy from 57.14% to 74.28%. Thus, the Information Gain feature selection plays an important role in improving accuracy and being able to get relevant features when using multiple features. Whereas if the number of features is small, the accuracy increase is not too significant but still able to reduce the system workload.

Item Type:	Thesis (Sarjana)
Identification Number:	SKR/FTIK/2018/969/051900760
Uncontrolled Keywords:	klasifikasi, makanan, HSV, GLCM, information gain-classification, food, HSV, GLCM, information gain
Subjects:	000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.37 Computer vision
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	23 Apr 2020 13:44
Last Modified:	18 May 2022 01:49
URI:	http://repository.ub.ac.id/id/eprint/166913

Text Frisma Yessy Nabella.pdf Download (6MB)

Actions (login required)

View Item