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

2024-06-18