Sebastian, Gregorius Ivan (2019) Algoritme K-Nearest Neighbors untuk Klasifikasi Jenis Makanan dari Citra Digital dengan Local Binary Patterns dan Color Moments. Sarjana thesis, Universitas Brawijaya.
Abstract
Makanan merupakan kebutuhan utama untuk mempertahankan hidup seorang individu. Kandungan gizi yang terdapat pada makanan yang dikonsumsi memengaruhi performa kerja seseorang dalam menjalankan kegiatannya sehari-hari. Untuk membantu seorang individu dalam mengindentifikasikan makanan mana yang bergizi dan yang tidak maka perlu dibuat algoritme klasifikasi makanan. Visi komputer bisa digunakan untuk mengenali sebuah makanan berdasarkan analisis fitur-fitur tertentu. Penelitian ini menggunakan fitur warna dan tekstur untuk mengklasifikasikan makanan pada citra. Ekstraksi fitur warna menggunakan color moments (CM) melalui ruang warna Red, Green, Blue (RGB), sedangkan Local Binary Patterns (LBP) digunakan untuk proses ekstraksi fitur tekstur. Algoritme klasifikasi menggunakan algoritme K-Nearest Neighbors (K-NN). Citra yang diinput, dari kategori kumpulan data training maupun testing, dilalui proses preprocessing untuk kemudian dilalui proses ekstraksi fitur warna dengan CM dan tesktur yakni LBP. Kedua fitur tersebut kemudian disimpan pada basis data untuk mempercepat proses klasifikasi. Hasil pengujian variasi nilai k dan kombinasi fitur LBP dan CM, LBP saja, dan CM saja, menunjukkan bahwa hasil evaluasi f1-score tertinggi adalah 0,89 ketika menggunakan fitur warna dari color moments saja dengan nilai k=1. Maka algoritme klasifikasi dapat bekerja paling efisien pada dataset ini jika menggunakan fitur warna saja dengan metode klasifikasi k-NN.
English Abstract
Food is a primary need to help individuals in executing their daily activities. The nutritional value provided by certain food items affects one's performance in executing their daily activities. Individuals need to be assisted in identifying what food items are nutritious and those that are not, hence a classification algorithm is made for this task. Computer vision can be utilized to classify food items based on analyzing certain features. This research uses color and texture features to classify food items that are in images. Color feature extraction utilizes Color Moments (CM) using a Red, Green, and Blue (RGB) color channel, while Local Binary Patterns (LBP) is utilized for texture feature extraction. The k-Nearest Neighbors (k-NN) is used for the classification process. The digital images, from both the testing and training groups, will be preprocessed whose color features will be extracted with CM and the texture features with LBP. The extracted features will then be saved in a database, which will decrease computing time during the classification time. Varying the values of k in the k-nearest neighbors algorithm during testing and combinatios of features used, showed that the highest value for f1-score during evaluations was 0,89 when the value of k=1 and when only the color features from using color moments were used. Therefore the classification algorithm works efficiently on the dataset used in the research if only color features were used using k-NN as the classification algorithm.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/315/051905633 |
| Uncontrolled Keywords: | klasifikasi makanan, color moments, local binary patterns, k-NN/ food classification, color moments, local binary patterns, k-NN |
| Subjects: | 500 Natural sciences and mathematics > 518 Numerical analysis > 518.1 Algorithms |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Endang Susworini |
| Date Deposited: | 11 Jul 2020 06:09 |
| Last Modified: | 11 Jul 2020 06:09 |
| URI: | http://repository.ub.ac.id/id/eprint/171493 |
Actions (login required)
 |
View Item |