Rohim, Akhmad (2019) Convolutional Neural Network untuk Pengklasifikasian Citra Makanan Tradisional. Sarjana thesis, Universitas Brawijaya.
Abstract
Masyarakat dalam era digital masa kini memfoto sebelum makan merupakan salah satu budaya gaya hidup. Kemudian hasil foto yang didapat akan diunggah ke media sosial. Penyebaran foto makanan tradisional yang masih kurang dalam mengidentifikasi mendorong penelitian ini untuk melakukan penelitian tentang klasifikasi citra makanan tradisional. Pada ekstraksi fitur klasifikasi citra makanan merupakan hal yang sulit karena makanan bisa secara dramatis bervariasi dalam penampilan seperti bentuk, tekstur, warna, dan sifat visual lainnya. Convolution Neural Network (CNN) merupakan metode yang dapat mempelajari sendiri fitur pada citra yang komplex. Diharapkan hasil evaluasi CNN untuk pengklasifikasian citra makanan tradisional dapat memberikan solusi untuk mengindentifikasi citra makanan tradisional. Hasil penelitian ini menunjukkan dalam membangun asitektur model Convolutional Neural Network untuk pengklasifikasian citra makanan tradisional membutuhkan 4 layer konvolutional, 4 layer maxpooling dan 2 layer Fully connected. Arsitektur tersebut didapatkan karena mendapatkan nilai loss value terkecil dengan nilai 0.000044 pada epoch ke 15 saat proses pembelajaran dan mendapatkan nilai 73% presisi, 69% recall dan 69% F-score.
English Abstract
People in this digital era take a picture before eating is one of lifestyle. Then the result of the picture will be uploaded to social media. Traditional food's pictures dissemination still less identified encourages this research about the classification of traditional food’s image. Extraction of classification features food image is difficult because of food can vary dramatically in appearances such as shape, texture, color, and other visual properties. Convolution Neural Network (CNN) is a method that can learn its own features on a complex image. Hopefully, CNN evaluation results for the classification image of traditional food can provide a solution to identify the image of traditional food. Result of this research in building the architecture of the Convolutional Neural Network model for classification of the traditional food image required 4 conditional layers, 4 max-pooling layers, and 2 fully connected layers. That architecture obtained because it gets the smallest loss value with 0.000044 value on the 15 epoch during the learning process and gets a 73% precision, 69% recall, and 69% F-score.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/301/051905619 |
| Uncontrolled Keywords: | - |
| Subjects: | 000 Computer science, information and general works > 001 Knowledge > 001.012 Classification |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Endang Susworini |
| Date Deposited: | 01 Aug 2020 04:50 |
| Last Modified: | 06 Oct 2023 04:12 |
| URI: | http://repository.ub.ac.id/id/eprint/171227 |
![[thumbnail of Akhmad Rohim (2).pdf]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text
Akhmad Rohim (2).pdf Download (4MB) |
Actions (login required)
 |
View Item |