Simarmata, Sarah Yuli Evangelista (2019) Klasifikasi Citra Makanan Menggunakan Algoritme Learning Vector Quantization Berdasarkan Ekstraksi Fitur Color Histogram Dan Gray Level Co-Occurrence Matrix. Sarjana thesis, Universitas Brawijaya.
Abstract
Banyak foto makanan yang tersebar di media sosial namun terkadang kita lupa bahkan tidak mengetahui nama makanan tersebut. Kemampuan manusia untuk mengenali dan mengidentifikasi juga subjektif terhadap pengaruh eksternal, seperti kelelahan, prasangka dan sebagainya. Komputer dapat membantu dengan membuat sebuah sistem yang dapat mengenali dan mengidentifikasi makanan melalui gambar. Penelitian telah dilakukan bahwa proses identifikasi dan klasifikasi secara otomatis menggunakan komputer dapat menghemat waktu dibandingkan harus mengidentifikasi secara manual. Citra pada makanan memiliki warna dan tekstur yang berbeda-beda. Metode ekstraksi fitur warna yang digunakan pada penelitian ini adalah Color Histogram dan ekstraksi fitur tekstur menggunakan Gray Level Co-occurrence Matrix (GLCM). Total data citra yang digunakan sebanyak 255 data yang terdiri dari 240 data latih dan 15 data uji. Algoritme klasifikasi yang digunakan adalah algoritme Learning Vector Quantization (LVQ), dengan parameter terbaik yang dapat digunakan yaitu nilai learning rate (α) sebesar 0,1, penurunan learning rate sebesar 0,1, maksimum epoch sebesar 2, nilai minimum learning rate sebesar 0,01 menghasilkan akurasi sebesar 53,33%. Pengujian yang dilakukan menggunakan ekstraksi fitur warna dan tekstur menghasilkan akurasi sebesar 53,33%. Penggunaan metode ekstraksi fitur warna saja menghasilkan akurasi tertinggi yaitu sebesar 67,00%, dan penggunaan metode ekstraksi fitur tekstur saja menghasilkan akurasi sebesar 53,33%. Berdasarkan hasil tersebut dapat disimpulkan bahwa algoritme LVQ berdasarkan ekstraksi fitur Color Histogram dan GLCM dapat digunakan untuk klasifikasi citra makanan namun tidak menghasilkan akurasi yang sempurna
English Abstract
Many photos of food we see on social media, but we forget and don’t even know the name of the food. Humans ability to recognize and identify is also subjective to external such as fatigue, prejudice and etc. Computers can help by build a system that can recognize and identify food through images. Researches have been conducted that the process of automatically identifying and classifying using computer can save more time compared to identify manually. Food image has different colors and textures. The color feature extraction method used in this research is Color Histogram and for the texture feature extraction is Gray Level Cooccurrence Matrix (GLCM). The total number of image data used is 255 data consist of 240 data training and 15 data testing. The classification algorithm used is Learning Vector Quantization (LVQ) with the best parameters that can be used are learning rate (α) 0.1, decreament learning rate 0.1, maximum epoch 2, minimum learning rate 0.01 and gives accuracy that is equal to 53,33%. The test gives 53.33% accuracy for using color and texture extraction. The use of color feature extraction only gives the highest accuracy that is equal to 67.00%, and the use of texture feature extraction only gives accuracy that is equal to 53.33%. From the results, concluded that LVQ algorithm based on Color Histogram feature extraction and GLCM can be used to classify food image but can not give a perfect accuracy
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/192/051902362 |
| Uncontrolled Keywords: | makanan, warna, tekstur, Color Histogram, GLCM, LVQ, food, color, texture, Color Histogram, GLCM, LVQ |
| Subjects: | 500 Natural sciences and mathematics > 518 Numerical analysis > 518.1 Algorithms |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Nur Cholis |
| Date Deposited: | 16 Jul 2020 04:29 |
| Last Modified: | 24 Oct 2021 05:02 |
| URI: | http://repository.ub.ac.id/id/eprint/169163 |
Preview |
Text
Sarah Yuli Evangelista Simarmata (2).pdf Download (2MB) | Preview |
Actions (login required)
 |
View Item |