Seleksi Fitur Information Gain Pada Klasifikasi Citra Makanan Menggunakan Ekstraksi Fitur Haralick Dan Yuv Color Moment

Atmaja, Devinta Setyaningtyas (2018) Seleksi Fitur Information Gain Pada Klasifikasi Citra Makanan Menggunakan Ekstraksi Fitur Haralick Dan Yuv Color Moment. Sarjana thesis, Universitas Brawijaya.

Abstract

Klasifikasi citra dengan makanan sebagai objeknya masih menjadi permasalahan klasik yang diminati para peneliti. Sekelompok makanan yang berjenis sama dapat memiliki ciri-ciri yang berbeda seperti ciri warna, tekstur, dan bentuk. Perbedaan ciri menambah kompleksitas dalam permasalahan klasifikasi. Beberapa penelitian sebelumnya telah melakukan klasifikasi pada satu jenis makanan saja yaitu buah. Untuk mengelaborasi penelitian sebelumnya, penelitian ini menggunakan beberapa jenis makanan sekaligus sebagai objeknya. Objek tersebut dibagi ke dalam lima kelas yaitu kelas donat, mie gepeng, stroberi, pisang kuning, dan nasi merah. Metode yang digunakan adalah esktraksi fitur warna YUV Color Moment, ekstraksi fitur tekstur Haralick, dan seleksi fitur Information Gain. Algoritme yang digunakan sebagai klasifikator adalah algoritme K-Nearest Neighbour (KNN). Nilai akurasi tertinggi yang didapatkan dari penerapan metode esktraksi fitur warna dan tekstur yang telah diseleksi menggunakan metode seleksi fitur adalah sebesar 94,26%. Dari hasil pengujian tersebut dapat disimpulkan bahwa metode ekstraksi fitur warna, ekstraksi fitur tekstur, dan seleksi fitur memiliki pengaruh terhadap proses klasifikasi.

English Abstract

Image classification using food as the object is a classic problem that is still interesting for many researchers. The same type of a group of food can have different characteristics such as color, texture, and shape. Differences in food characteristics, add complexity to solve the problem of classification. Some previous studies have classified only one type of food, which belongs to the class of fruit. To elaborate on previous research, several types of food are used as the objects in this study. The objects are divided into five classes namely donut, sprawl noodles, strawberry, yellow banana, and brown rice. The methods to achieve the result by extracting image features. The features are extracted from food image colors using YUV Color Moment, food image textures using Haralick, and Information Gain as the features selection method. The algorithm used as the classifier is K-Nearest Neighbor (KNN) algorithm. The highest accuracy value obtained from the application of the color and texture feature extraction method selected using the feature selection method was 94.26%. From the results of these tests, it can be concluded that the color feature extraction, texture feature extraction, and feature selection methods have an influence on the classification process.

Item Type: Thesis (Sarjana)
Identification Number: SKR/FTIK/2018/958/051900706
Uncontrolled Keywords: klasifikasi, citra makanan, YUV Color Moment, Haralick, KNN / classification, food images, YUV Color Moment, Haralick, KNN
Subjects: 000 Computer science, information and general works > 006 Special computer methods > 006.6 Computer graphics
Divisions: Fakultas Ilmu Komputer > Teknik Informatika
Depositing User: Endang Susworini
Date Deposited: 22 Apr 2020 14:38
Last Modified: 22 Apr 2020 14:38
URI: http://repository.ub.ac.id/id/eprint/167150
Full text not available from this repository.

Actions (login required)

View Item View Item