Klasifikasi Jenis Makanan dari Citra Smartphone Berdasarkan Ekstraksi Fitur Haralick dan CIE Lab Color Moment Menggunakan Learning Vector Quantization
Kata Kunci:
klasifikasi, Haralick, CIE Lab Color Moments, Learning Vector Quantization, cross-validationAbstrak
Pemilihan makanan menjadi sesuatu yang penting bagi para penderita penyakit tertentu. Akan tetapi, memilih sebuah makanan menjadi sebuah masalah bagi orang yang pertama kali mencicipi suatu makanan atau wisatawan yang baru pertama kali berkunjung ke suatu negara. Untuk mengatasi permasalahan tersebut, perlu dilakukan penelitian untuk mengenali/mengklasifikasikan suatu citra makanan. Fitur Haralick dan CIE Lab Color Moments terbukti dapat menghasilkan fitur yang bagus untuk kasus klasifikasi. Metode Learning Vector Quantization (LVQ) juga menjadi alternatif untuk melakukan proses klasifikasi. Berdasarkan pengujian k-fold cross validation dengan k=10 dan metode evaluasi berupa akurasi, didapatkan akurasi maksimal sebesar 0,642051 dengan nilai parameter learning rate sebesar 0,2, pengali learning rate sebesar 0,8, nilai m sebesar 0,1, nilai epsilon sebesar 0,4, iterasi maksimal sebesar 10 dan learning rate minimal sebesar 0.000001. Hal tersebut menunjukkan bahwa klasifikasi citra makanan berdasarkan ekstraksi fitur Haralick dan CIE Lab Color Moments menggunakan LVQ menghasilkan akurasi yang cukup baik. Selain itu, penggunaan kedua fitur tekstur (Haralick) dan warna (CIE Lab Color Moments) berpengaruh terhadap hasil akurasi. Hal tersebut ditunjukkan dengan seluruh hasil pengujian yang menunjukkan bahwa hasil akurasi tertinggi dicapai menggunakan fitur tekstur dan warna.