Color Moments CIEL*a*b*, HSV, dan Ekstraksi Fitur Local Binary Pattern untuk Klasifikasi Citra Makanan Tradisional.

Novia Sabilla, Delischa (2020) Color Moments CIEL*a*b*, HSV, dan Ekstraksi Fitur Local Binary Pattern untuk Klasifikasi Citra Makanan Tradisional. Sarjana thesis, Universitas Brawijaya.

Abstract

Kecerdasan buatan atau Artificial Intelligence (AI) merupakan sebuah teknologi besar yang dapat mengubah kebiasaan sehari-hari, interaksi pribadi dan profesional, serta lingkungan. Laju perkembangan dari teknologi AI sangat cepat, dengan banyaknya terobosan baru di bidang machine learning dan pengambilan keputusan otomatis, menimbulkan banyak peluang baru untuk inovasi berkelanjutan. Menanggapi fenomena tersebut, muncul suatu gagasan inovasi untuk menerapkan produk AI berupa otomatisasi dalam mengenali ragam jenis kue tradisional. Kue kering, kue basah, dan jajanan pasar merupakan contoh dari makanan ringan tradisional yang keberadaannya hampir tersisihkan seiring perkembangan teknologi saat ini. Penelitian ini memanfaatkan data citra dari studi terdahulu berisi 34 kategori kue tradisional. Tahapan pengenalan citra pada penelitian ini terdiri dari ekstraksi fitur visual citra, yaitu warna dan tekstur, serta klasifikasi citra menggunakan metode machine learning Jaringan Syaraf Tiruan. Color moments, yaitu mean, standar deviasi, dan skewness dari ruang warna CIEL*a*b* dan Hue Saturation Value telah digunakan dalam berbagai penelitian dan teruji memberikan kontribusi tinggi pada kinerja pengenalan berbagai kategori citra. Metode Local Binary Pattern menghasilkan nilai keabuan dalam histogram yang banyak dimanfaatkan untuk ekstraksi fitur tekstur dari citra. Proses klasifikasi menggunakan Jaringan Syaraf Tiruan kemudian diuji menggunakan algoritme K-Fold Cross Validation dengan nilai k=10. Hasil menunjukkan bahwa pengklasifikasi memiliki kinerja terbaik menggunakan seluruh kombinasi fitur tekstur dan warna dengan rata-rata akurasi sebesar 86,64%. Gabungan hanya nilai fitur Color Moments memiliki rata-rata akurasi 83,30% dengan nilai channel b* dan H untuk masing-masing ruang warna yang paling berpengaruh terhadap identifikasi citra. Nilai fitur Local Binary Pattern memberikan hasil akurasi terrendah sebesar 54,9% untuk klasifikasi apabila tidak didukung oleh fitur lain

English Abstract

Artificial Intelligence (AI) is a technology that can change daily habits, personal and professional interactions, not to mention the environment. Rapid growth of AI has created numerous breakthroughs in machine learning and automated decision making that open countless new opportunities for continuous innovation. Thus, an idea emerged to implement AI products in the form of automation in recognizing various types of traditional snack as a contribution to this AI phenomenon. Examples of Indonesian traditional snack food includes traditional pastry and cakes which existence are almost eliminated along with the massive development of technology. The recognition can be realized with several Image Identification methods that utilizes machine learning algorithms. Database that is being used in this study comes from previous research containing 34 categories of traditional snacks. The image recognition process involves extracting the visual features of the image, such as color and texture, as well as image classification itself using neural network. Color Moments, namely the mean, standard deviation, and skewness of the CIEL*a*b* and Hue Saturation Value color space have been used in various studies as color features and proven to give a high contribution to the recognition performance. The Local Binary Pattern method produces gray values or intensity in the form of histogram which is widely used for extraction of texture from the image. The classification process using Artificial Neural Networks is evaluated using the K-Fold Cross Validation method with a value of k = 10. The testing results show that the classifier gives the best performance using all combinations of texture and color features with an average accuracy of 86.64%. Combination of Color Moments from both color spaces has an average accuracy of 83.30% with b* and H being the most influential channels for image identification in this study. Finally, result of Local Binary Pattern extraction alone gives the lowest accuracy result of 54.9%.

Item Type:	Thesis (Sarjana)
Identification Number:	0521150005
Uncontrolled Keywords:	Pengenalan Citra, Makanan Tradisional Indonesia, Color Moments, Local Binary Pattern, CIEL*a*b*, Hue Saturation Value, K-Fold Cross Validation.
Subjects:	600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Unnamed user with username nova
Date Deposited:	22 Sep 2022 01:42
Last Modified:	24 Sep 2024 01:29
URI:	http://repository.ub.ac.id/id/eprint/194563

Text DELISCHA NOVIA SABILLA.pdf Download (85MB)

Actions (login required)

View Item