Klasifikasi Jenis Makanan Menggunakan Neighbor Weighted K-Nearest Neighbor Dengan Seleksi Fitur Information Gain
| Main Author: | Saputra, Vriza Wahyu |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/169227/1/Vriza%20Wahyu%20Saputra%20%282%29.pdf http://repository.ub.ac.id/169227/ |
Daftar Isi:
- 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.