Klasifikasi Jenis Citra Makanan Tunggal Berdasarkan Fitur Local Binary Patterns dan Hue Saturation Value Menggunakan Improved K-Nearest Neighbor
Kata Kunci:
hue saturation value, improved k-nn, local binary patterns, makananAbstrak
Untuk memenuhi kebutuhan pokoknya sehari-hari, makhluk hidup perlu makanan. Makanan yang memiliki kualitas buruk dapat menyebabkan penyakit. Untuk menghindari hal tersebut, pengolahan citra digital dapat dimanfaatkan untuk membuat sistem klasifikasi jenis makanan. Pengolahan citra digital digunakan untuk menganalisis fitur yang terdapat pada citra makanan. Pada penelitian ini, fitur yang digunakan untuk mengklasifikasi jenis citra makanan adalah fitur warna dan tekstur. Ekstraksi fitur warna dilakukan dengan ruang warna Hue Saturation Value (HSV) dan fitur tekstur dengan metode Local Binary Patterns (LBP). Klasifikasi dilakukan dengan metode Improved K-Nearest Neighbor (Improved K-NN). Hasil pengujian nilai k menunjukkan bahwa didapatkan akurasi tertinggi sebesar 90,476% dengan nilai k=1. Ketika fitur yang digunakan hanya fitur warna, didapatkan nilai akurasi tertinggi 90,476% dengan nilai k=1. Ketika fitur yang digunakan hanya fitur tekstur, didapatkan nilai akurasi tertinggi 85,714% dengan nilai k=1. Hasil pengujian metode klasifikasi menunjukkan bahwa metode Improved K-NN menghasilkan akurasi yang lebih tinggi dari metode K-NN dengan rata-rata akurasi 80,306%. Sehingga hasil klasifikasi terbaik didapatkan dengan penggunaan kombinasi fitur warna dan tekstur dengan metode klasifikasi Improved K-NN.