Seleksi Fitur Information Gain Pada Klasifikasi Citra Makanan Menggunakan Hue Saturaion Value Dan Gray Level Co-Occurrence Matrix
| Main Author: | Nabella, Frisma Yessy |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/166913/ |
Daftar Isi:
- Pemilihan makanan menjadi masalah terutama bagi mereka yang baru pertama kali mencicipi atau mencari suatu makanan yang belum diketahui bahan dan kadar gizinya. Klasifikasi penting dilakukan untuk menilai diet pada penderita diabetes dan penderita alergi makanan serta membantu dalam menemukan kalori makanan, nilai nutrisi dan sebagai referensi makanan. Pemilihan makanan juga diperlukan bagi para penyandang tunanetra untuk mengetahui nama suatu makanan. Mengonsumsi makanan yang benar juga penting dilakukan untuk menghindari penyakit dan menjalani gaya hidup sehat. Klasifikasi makanan dapat dilakukan menggunakan metode-metode yang ada pada computer vision. Proses klasifikasi diawali dengan pre-processing citra yang menghasilkan citra tersegmentasi. Hasil dari pre-processing kemudian masuk ke tahap ekstraksi fitur. Penelitian ini menggunakan eksraksi warna Hue Saturation Value (HSV) dan tekstur Gray Level Co-Occurrence Matrix (GLCM). Selanjutnya dilakukan seleksi fitur berdasarkan fitur-fitur yang telah didapatkan untuk mengambil fitur-fitur yang relevan saja guna meningkatkan akurasi dan mengurangi beban kerja sistem menggunakan seleksi fitur Information Gain. Proses yang terakhir yaitu klasifikasi. Penelitian ini menggunakan metode klasifikasi K-Nearest Neighbor. Hasil akurasi terbaik pada penelitian ini yaitu 95,24% dengan hanya menggunakan HSV menggunakan seleksi fitur dengan nilai k=1. Pada kombinasi HSV dan GLCM dengan Information Gain mampu meningkatkan akurasi dari 57,14% menjadi 87,61%. Begitu juga dengan fitur GLCM saja menggunakan Information Gain yang dapat meningkatkan akurasi dari 57,14% menjadi 74,28%. Dengan demikian, seleksi fitur Information Gain sangat berperan dalam meningkatkan akurasi dan mampu mendapatkan fitur-fitur relevan apabila menggunakan fitur berjumlah banyak. Sedangkan apabila jumlah fitur sedikit, peningkatan akurasi tidak terlalu signifikan namun tetap mampu mengurangi beban kerja sistem.