Klasifikasi Citra Makanan Berdasarkan Asal Daerah Menggunakan Convolutional Neural Network

Authors

  • Wisnu Prayogo Kusumo Universitas Muhammadiyah Malang
  • Christian Sri Kusuma Aditya Universitas Muhammadiyah Malang

DOI:

https://doi.org/10.62411/tc.v23i1.9735

Keywords:

klasifikasi citra, kuliner Indonesia, convolutional neural network, confusion matrix

Abstract

Budaya kuliner Indonesia memiliki ciri khas dan karakteristik yang bermacam-macam pada setiap daerahnya. Makanan siap saji dan makanan cepat saji menjadi pilihan favorit anak muda zaman sekarang karena lebih praktis dan menghemat waktu, sementara makanan tradisional mengalami penurunan minat yang dapat mengancam pelestarian warisan kuliner nusantara. Salah satu tujuan dilakukannya penelitian ini adalah untuk membantu melestarikan dan mempromosikan kekayaan kuliner Indonesia terhadap kalangan anak muda dengan teknik klasifikasi berdasarkan daerah provinsi. Data diambil dari google images menggunakan bot yang mensimulasikan perilaku manusia ketika ingin mengambil link pada google images. Ada banyak metode deep learning dan machine learning yang dapat digunakan untuk mengklasifikasi citra makanan, contoh nya adalah CNN. Hasil dari menggunakan metode CNN menunjukkan nilai akurasi sebesar 64% dalam memprediksi citra makanan berdasarkan asal daerah. Hasil ini menunjukkan bahwa adanya beberapa kendala yang perlu diperhatikan. Salah satu penyebab rendah nya akurasi ini adalah variasi data yang kompleks dalam citra makanan dari kedua pulau dan memiliki kemiripan visual tertentu yang sulit di identifikasi oleh model sehingga menyebabkan adanya false positive dan false negative. Namun, metode CNN relatif cukup baik untuk diterapkan pada klasifikasi citra makanan khas Pulau Jawa dan Pulau Sumatra.

References

Syamsul Rahman, Pengembangan Industri Kuliner Berbasis Makanan Tradisional Khas Sulawesi. 2021. [Online]. Available: https://books.google.co.id/books?hl=id&lr=&id=wi8oEAAAQBAJ&oi=fnd&pg=PP1&dq=Kuliner+tradisional+Indonesia+seringkali+disajikan+dengan+tampilan+yang+menarik,+artistik,+warna+yang+mencolok+dan+beragam+tekstur+yang+menggugah+selera.+Dengan+beragam+kuliner+da

A. A. Hariman, D. I. Mulyana, and M. B. Yel, “Klasifikasi Jajanan Tradisional Jawa Tengah dengan Metode Transfer Learning dan MobileNetV2,” J. Inf. Interaktif, vol. 8, no. 1, pp. 15–23, 2023, [Online]. Available: http://e-journal.janabadra.ac.id/

N. P. A. ANESCA, “SENTIMENT ANALYSIS PERSEPSI MASYARAKAT TERHADAP PROTOKOL KESEHATAN VIRUS CORONA DI TWITTER MENGGUNAKAN WORD2VEC MODEL DAN RECURRENT NEURAL NETWORK LEARNING.,” 2022.

A. Shah et al., “A comprehensive study on skin cancer detection using artificial neural network (ANN) and convolutional neural network (CNN),” Clin. eHealth, vol. 6, pp. 76–84, 2023, doi: 10.1016/j.ceh.2023.08.002.

I. Wulandari, H. Yasin, and T. Widiharih, “Klasifikasi Citra Digital Bumbu Dan Rempah Dengan Algoritma Convolutional Neural Network (Cnn),” J. Gaussian, vol. 9, no. 3, pp. 273–282, 2020, doi: 10.14710/j.gauss.v9i3.27416.

P. Gede and S. Cipta, “Prediksi Citra Makanan Menggunakan Convolutional Neural Network Untuk,” J. Teknol. Inf. dan Komput., pp. 30–38, 2020.

Z. A. B. Jaka Eka Sembodo, Erwin Budi Setiawan, “Data Crawling Otomatis pada Twitter,” Indones. Symp. Comput., pp. 11–16, [Online]. Available: https://www.researchgate.net/profile/Erwin-Setiawan-3/publication/308815966_Data_Crawling_Otomatis_pada_Twitter/links/5bb5832392851ca9ed37a37e/Data-Crawling-Otomatis-pada-Twitter.pdf

M. A. Pangestu and H. Bunyamin, “Analisis Performa dan Pengembangan Sistem Deteksi Ras Anjing pada Gambar dengan Menggunakan Pre-Trained CNN Model,” J. Tek. Inform. dan Sist. Inf., vol. 4, no. 2, pp. 2443–2229, 2018, [Online]. Available: http://dx.doi.org/10.28932/jutisi.v4i2.828

P. A. Nugroho, I. Fenriana, and R. Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network ( Cnn ) Pada Ekspresi Manusia,” Algor, vol. 2, no. 1, pp. 12–21, 2020.

R. Indraswari, W. Herulambang, and R. Rokhana, “Deteksi Penyakit Mata Pada Citra Fundus Menggunakan Convolutional Neural Network (CNN),” Techno.Com, vol. 21, no. 2, pp. 378–389, 2022, doi: 10.33633/tc.v21i2.6162.

A. L. A. Shidiq, E. SUhartono, and S. Saidah, “Klasifikasi Kecacatan Ban Untuk Mengendalikan Kualitas Produk Menggunakan Model CNN Dengan Arsitektur VGG-16 Classification Of Tire Defect To Control Product Quality Using Cnn Model With VGG-16 Architecture,” e-Proceeding Eng., vol. 8, no. 6, pp. 3216–3225, 2022, [Online]. Available: www.kaggle.com.

“ALGORITMA CONVOLUTIONAL NEURAL NETWORK ( CNN ) BERDASARKAN CITRA KEPALA SKRIPSI Oleh : MUHAMMAD FAHMI ABIDIN,” 2021.

H. Fonda, “Klasifikasi Batik Riau Dengan Menggunakan Convolutional Neural Networks (Cnn),” J. Ilmu Komput., vol. 9, no. 1, pp. 7–10, 2020, doi: 10.33060/jik/2020/vol9.iss1.144.

M. Kholilurrahman, W. A. Syafei, and O. D. Nurhayati, “Image Processing Classification of Rice Leaf Color Images Using the Convolutional Neural Network Method Klasifikasi Image Processing Pada Citra Warna Daun Padi Menggunakan Metode Convolutional Neural Network,” vol. 23, no. 2, pp. 175–186, 2023.

H. Kurniawan and K. Kusrini, “Klasifikasi Pengenalan Wajah Siswa Pada Sistem Kehadiran dengan Menggunakan Metode Convolutional Neural Network,” J. Media Inform. Budidarma, vol. 7, no. 2, pp. 846–856, 2023, doi: 10.30865/mib.v7i2.5958.

M. A. Hanin, R. Patmasari, and R. Y. Nur, “Sistem Klasifikasi Penyakit Kulit Menggunakan Convolutional Neural Network ( Cnn ) Skin Disease Classification System Using Convolutional Neural Network ( Cnn ),” e-Proceeding Eng., vol. 8, no. 1, pp. 273–281, 2021.

Downloads

Published

2024-06-21

Issue

Vol. 23 No. 1 (2024): Februari 2024

Section

Articles

License

 

License Terms

All articles published in Techno.COM Journal are licensed under the Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0). This means:

1. Attribution

Readers and users are free to:

  • Share – Copy and redistribute the material in any medium or format.

  • Adapt – Remix, transform, and build upon the material.

As long as proper credit is given to the original work by citing the author(s) and the journal.

2. Non-Commercial Use

  • The material cannot be used for commercial purposes.

  • Commercial use includes selling the content, using it in commercial advertising, or integrating it into products/services for profit.

3. Rights of Authors

  • Authors retain copyright and grant Techno.COM Journal the right to publish the article.

  • Authors can distribute their work (e.g., in institutional repositories or personal websites) with proper acknowledgment of the journal.

4. No Additional Restrictions

  • The journal cannot apply legal terms or technological measures that restrict others from using the material in ways allowed by the license.

5. Disclaimer

  • The journal is not responsible for how the published content is used by third parties.

  • The opinions expressed in the articles are solely those of the authors.

For more details, visit the Creative Commons License Page:
? https://creativecommons.org/licenses/by-nc/4.0/

 

Most read articles by the same author(s)

Obs.: This plugin requires at least one statistics/report plugin to be enabled. If your statistics plugins provide more than one metric then please also select a main metric on the admin's site settings page and/or on the journal manager's settings pages.