Convolutional Neural Network Untuk Klasifikasi Citra Makanan Khas Indonesia
| Main Author: | Dandi Darojat, Muhammad |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2021
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/185145/1/Muhammad%20Dandi%20Darojat.pdf http://repository.ub.ac.id/185145/ |
Daftar Isi:
- "Hampir seluruh negara di dunia memiliki makanan khasnya masing-masing, tidak terkecuali Indonesia. Melalui makanan tradisional, Indonesia bisa lebih dikenal oleh dunia. Selain dapat menarik turis lebih banyak, hal tersebut tentu sangat berpengaruh pada kepopuleran Indonesia dimata dunia dan bahkan mungkin dapat mempengaruhi pendapatan negara seiring dengan dikenalnya Indonesia oleh dunia. Namun disamping itu, pada beberapa kasus makanan khas Indonesia masih sulit diidentifikasi. Dari permasalahan tersebut, dapat disimpulkan bahwa diperlukan sebuah model untuk mengklasifikasikan makanan tradisional khas Indonesia. Metode yang dinilai paling relevan dan sesuai dengan permasalahan klasifikasi dengan jumlah kelas yang banyak adalah metode Convolutional Neural Network (CNN). Jenis citra makanan khas Indonesia yang digunakan terdiri dari sembilan jenis, yaitu rendang, nasi goreng, sate, gado-gado, pempek, kerak telor, nasi kuning, soto, dan gudeg dengan total 990 citra; 900 citra untuk proses pelatihan dan 90 citra untuk proses pengujian. Pengujian dilakukan sebanyak 8 kali dengan kondisi yang berbeda terhadap 27 model dengan arsitektur berbeda. Terdapat dua model yang memiliki performa terbaik, yaitu model 14 pada pengujian 5 dan model 19 pada pengujian 6, dengan kelebihan masing-masing. Model 19 pengujian 6 yang memiliki arsitektur 4 lapisan konvolusi dan 2 lapisan fully-connected, unggul dalam nilai rata-rata recall yaitu 0,5294 dan terdapat satu jenis yang sempurna diklasifikasikan yaitu kerak telor. Sedangkan model 14 pengujian 5 dengan arsitektur 3 lapisan konvolusi dan 2 lapisan fully-connected, unggul dalam nilai rata-rata F1-score yaitu 0,5497 dan terdapat empat jenis yang memiliki nilai precision diatas 0,7. Nilai akurasi pengujian kedua model bernilai sama, yaitu 0,6. Berdasarkan hasil tersebut, dapat disimpulkan bahwa metode CNN dapat dikatakan baik secara pergorma untuk melakukan klasifikasi citra makanan khas Indonesia."