Convolution Neural Network (CNN) Untuk Pengklasifikasian Citra Makanan Tradisional

##plugins.themes.bootstrap3.article.main##

Akhmad Rohim Yuita Arum Sari Tibyani Tibyani

Abstrak

Masyarakat dalam era digital masa kini memfoto sebelum makan merupakan salah satu budaya gaya hidup. Kemudian hasil foto yang didapat akan diunggah ke media sosial. Penyebaran foto makanan tradisional yang masih kurang dalam mengidentifikasi mendorong penelitian ini untuk melakukan penelitian tentang klasifikasi citra makanan tradisional. Pada ekstraksi fitur klasifikasi citra makanan merupakan hal yang sulit karena makanan bisa secara dramatis bervariasi dalam penampilan seperti bentuk, tekstur, warna, dan sifat visual lainnya. Convolution Neural Network (CNN) merupakan metode yang dapat mempelajari sendiri fitur pada citra yang komplex. Diharapkan hasil evaluasi CNN untuk pengklasifikasian citra makanan tradisional dapat memberikan solusi untuk mengindentifikasi citra makanan tradisional. Hasil penelitian ini menunjukkan dalam membangun asitektur model Convolutional Neural Network untuk pengklasifikasian citra makanan tradisional membutuhkan 4 layer konvolutional, 4 layer maxpooling dan 2 layer Fully connected. Arsitektur tersebut didapatkan karena mendapatkan nilai loss value terkecil dengan nilai 0.000044 pada epoch ke 15 saat proses pembelajaran dan mendapatkan nilai 73% presisi, 69% recall dan 69% Fscore.

##plugins.themes.bootstrap3.article.details##

Cara Sitasi
Rohim, A., Sari, Y., & Tibyani, T. Convolution Neural Network (CNN) Untuk Pengklasifikasian Citra Makanan Tradisional. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 7, p. 7037-7042, agu. 2019. ISSN 2548-964X. Tersedia pada: <http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/5851>. Tanggal Akses: 25 nov. 2020
Bagian
Artikel