Saputra, Vriza Wahyu (2019) Klasifikasi Jenis Makanan Menggunakan Neighbor Weighted K-Nearest Neighbor Dengan Seleksi Fitur Information Gain. Sarjana thesis, Universitas Brawijaya.
Abstract
Smartphone dengan kemampuan sensor kamera yang kuat dapat digunakan untuk menganalisis foto dan pengenalan objek. Makanan adalah salah satu objek fotografi yang populer dan dapat menjadikan sesuatu yang menimbulkan rasa ingin memasak dan mencicipinya. Untuk memasak dibutuhkan resep masakan sebagai alat bantu untuk membuat masakan karena tidak semua orang tahu bagaimana cara membuat masakan. Tetapi untuk mencari resep makanan seseorang harus tau nama makanan yang akan dimasak. Untuk itu dibutuhkan teknik pencarian resep makanan dengan masukan citra makanan untuk mempermudah pencarian. Terdapat beberapa langkah metode yang dilakukan untuk melakukan pengenalan jenis makanan yaitu preprocessing, ekstraksi fitur, seleksi fitur dan klasifikasi. Ekstraksi fitur digunakan untuk memperoleh ciri yang terdapat pada citra makanan. Metode ekstraksi fitur yang digunakan adalah Color Moments untuk fitur warna dan Gray Level Cooccurrence Matrix (GLCM) untuk fitur tekstur. Seleksi fitur digunakan untuk mengurangi atribut yang tidak relevan. Metode seleksi fitur yang digunakan adalah Information Gain. Klasifikasi digunakan untuk melakukan proses pengenalan citra makanan yang sebelumnya tidak diketahui jenisnya. Metode klasifikasi yang digunakan adalah Neigbor Weighted K-Nearest Neighbor (NWKNN). Total data citra makanan yang digunakan adalah sebanyak 23 jenis makanan, 529 data latih tidak seimbang dan 23 data uji. Pengujian dilakukan untuk mengetahui akurasi dari metode NWKNN dan juga mengetahui pengaruh seleksi fitur Information Gain. Hasil pengujian dengan metode K-Fold Cross Validation diperoleh akurasi rata-rata tertinggi sebesar 72,53% dengan pembagian data uji sebanyak 30, jumlah fitur sebanyak 10, nilai K pada NWKNN sebanyak 3 dan perhitungan jarak menggunakan Cosine Similarity. Selain itu pada pengujian pengaruh Information Gain menghasilkan akurasi tertinggi yaitu 86,96% dengan jumlah fitur terbaik sebanyak 15 fitur. Hal ini dapat disimpulkan bahwa metode NWKNN dapat menjawab permasalahan data tidak seimbang dan Information Gain dapat mengetahui fitur terbaik untuk klasifikasi.
English Abstract
Smartphones with powerful camera sensor capabilities can be used to analyze photos and object recognition. Food is one of the popular photography objects and seeing it makes you want to cook or taste it. Cooking requires recipes as a tool to make dishes because not everyone knows how to make dishes. But to find a food recipe one must know the name of the food to be cooked. For this reason, it takes a food recipe search technique by inputting food images to facilitate search. There are several steps in the method that are carried out to introduce food types namely preprocessing, feature extraction, feature selection and classification. Feature extraction is used to obtain the characteristics found in food images. The feature extraction method used is Color Moments for color features and Gray Level Counseling Matrix (GLCM) for texture features. Feature selection is used to reduce irrelevant attributes. The feature selection method used is Information Gain. Classification is used to process the image recognition of foods of unknown type. The classification method used is Neigbor Weighted KNearest Neighbor (NWKNN). The total food image data used is as many as 23 types of food, 529 training data is not balanced and 23 test data. Tests were carried out to determine the accuracy of the NWKNN method and also to know the effect of the Information Gain feature selection. The test results with the KFold Cross Validation method obtained the highest average accuracy of 72,53% by dividing the test data by 30, the number of features by 10, the K value on NWKNN by 3 and calculating distances using Cosine Similarity. On other hands, the testing of the Information Gain effect resulted in the highest accuracy of 86.96% with the 15 best features. It can be concluded that the NWKNN method can solve the problem of unbalanced data and Information Gain can find out the best features for classification
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/90/051902260 |
| Uncontrolled Keywords: | ekstraksi fitur, seleksi fitur, klasifikasi, Color Moments, GLCM, Information Gain, NWKNN., feature extraction, feature selection, classification, Color Moments, GLCM, Information Gain, NWKNN. |
| Subjects: | 000 Computer science, information and general works > 001 Knowledge > 001.012 Classification |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Nur Cholis |
| Date Deposited: | 01 Aug 2020 04:50 |
| Last Modified: | 24 Oct 2021 03:42 |
| URI: | http://repository.ub.ac.id/id/eprint/169227 |
Preview |
Text
Vriza Wahyu Saputra (2).pdf Download (5MB) | Preview |
Actions (login required)
 |
View Item |