Pengenalan Citra Makanan Kue Tradisional menggunakan Ekstraksi Fitur HSV Color Moment dan Local Binary Pattern dengan K-Nearest Neighbour

(1)

Fakultas Ilmu Komputer

Universitas Brawijaya

5641

Pengenalan Citra Makanan Kue Tradisional menggunakan Ekstraksi Fitur HSV Color Moment dan Local Binary Pattern dengan K-Nearest Neighbour

Gagas Budi Waluyo¹, Yuita Arum Sari², Bayu Rahayudi³

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: ¹[email protected], ²[email protected], ³[email protected]

Abstrak

Kue tradisional atau jajanan pasar merupakan makanan tradisional yang perlu kita lestarikan, kue tradisional tersebut sudah sangat jarang ditemui pada zaman sekarang, dikarenakan banyak masyarakat yang tidak mengetahui mengenai kue tradisional tersebut dan sudah sangat jarang ditemui di era modern ini. Sebenarnya kue tradisional ini merupakan makanan yang enak serta banyak beragam jenisnya dan pastinya tidak terlalu banyak kandungan pengawet didalamnya. Namun seiring berjalannya waktu kue tradisional telah di geser oleh makanan modern serta banyak sekali makanan yang diimpor kedalam negeri, oleh karena itu sudah saatnya dilestarikan agar supaya tidak punah serta anak cucu dapat mengetahuinya. Sehingga diperlukan sistem untuk mengenali makanan kue tradisional dengan menggunakan teknologi seperti sekarang ini. Pada penelitian ini, untuk mengenali makanan kue tradisional menggunakan metode ekstraksi fitur warna Hue Saturation Value (HSV) dan fitur tekstur Local Binary Pattern (LBP) dan diklasifikasikan menggunakan metode K-Nearest Neighbour (KNN).

Fitur warna yang digunakan adalah color moment yang menghasilkan tiga nilai, yaitu mean, standar deviation, dan skewness. Sedangkan fitur tekstur LBP akan menghasilkan nilai keabuan sebanyak jumlah ketetanggaan yang digunakan. Setelah itu, ekstraksi fitur yang didapatkan diklasifikasikan dengan menggunakan K-Nearest Neighbour. Hasil pengujian didapatkan bahwa jika hanya menggunakan metode fitur warna HSV memperoleh nilai akurasi sebesar 75%. Jika hanya menggunakan metode fitur tekstur LBP memperoleh nilai akurasi sebesar 72,5%. Sedangkan, jika kedua metode ektraksi fitur digabungkan maka memperoleh nilai akurasi sebesar 75%.

Kata kunci: makanan, kue tradisional, klasifikasi, hue saturation value, color moment, local binary pattern, k-nn Abstract

Traditional cakes or market snacks are traditional foods that we need to preserve, these traditional cakes are very rarely found today, because many people do not know about these traditional cakes and are very rarely found in this modern era. Actually this traditional cake is a delicious food and there are many various types and certainly not too many preservatives in it. But over time traditional cakes have been shifted by modern food and a lot of food is imported into the country, therefore it is time to preserve it so that it does not become extinct and posterity can find out. So a system is needed to recognize traditional cakes using technology as it is today n this study, to recognize traditional cakes using Hue Saturation Value (HSV) color feature extraction and Local Binary Pattern (LBP) texture features and classified using the K-Nearest Neighbor (KNN) method. The color feature used is the color moment which produces three values, namely the mean, standard deviation, and skewness. While the LBP texture feature will produce a grayscale value as much as the number of neighbors used. After that, the obtained feature extraction is classified using K-Nearest Neighbor. The test results show that if you only use the HSV color feature method, you get an accuracy value of 75%. If only using the LBP texture feature method, the accuracy value is 72.5%. Meanwhile, if the two feature extraction methods are combined, the accuracy value is 75%.

Keywords: food, traditional cake, classification, hue saturation value, color moment, local binary pattern, k-nn

1. PENDAHULUAN

Kue tradisional atau jajanan pasar menjadi

makanan khas dari Indonesia yang banyak dijumpai di pasar terutama pasar tradisional.

Karena pada awalnya kue tradisional banyak

(2)

dijual di pasar tradisional. Pada masa perkembangan zaman saat ini, kue tradisional mulai bersaing dengan makanan modern dan instan yang diimport dari luar negeri. Akan tetapi, jajanan pasar atau kue tradisional juga harus dilestarikan dan mengakui keberadaannya karena masih termasuk sebuah produk budaya (Imania, Sihombing and Mutiaz, 2014).

Kue atau jajanan pasar tradisional patut untuk disosialisasikan kepada masyarakat karena saat ini sebagian dari mereka masih belum mengetahui bahwa produk tersebut merupakan kue tradisional khususnya anak-anak. Oleh karena itu, perlu membuat sebuah sistem yang berguna untuk mengenali makanan kue tradisional dengan menggunakan teknologi zaman sekarang. Teknologi yang sering digunakan adalah teknologi terkait pengolahan citra digital. Selain itu, penelitian tentang citra makanan menjadi salah satu yang populer pada zaman sekarang (Giovany et al., 2017).

Salah satu penelitian citra makanan yang sering dilakukan adalah pengenalan sebuah citra makanan. Bagi manusia untuk mengenali citra makanan dapat dilakukan dengan mudah yaitu langsung melalui indra. Sedangkan komputer tidak dapat secara langsung dalam mengenali jenis makanan. Terdapat berbagai macam cara agar komputer dapat mengenali jenis makanan.

Salah satu cara yang biasa digunakan memberikan ciri – ciri makanan melalui pengolahan citra digital dan klasifikasi agar komputer dapat mengenali sebuah makanan.

Definisi dari klasifikasi sendiri merupakan pengelompokan data sesuai dengan aturan sehingga dapat mengasilkan hubungan antara nilai atribut dengan kumpulan data latih (Hadi, Al-Radaideh and Alhawari, 2018).

Untuk dapat mengklasifikasikan suatu citra makanan, diperlukan proses pengolahan citra agar menetahui ciri – ciri atau karakteriksik pada suatu citra. Ada beberapa jenis karakteristik, yaitu warna, tekstur, dan bentuk. Karakteristik warna dan tekstur sering digunakan untuk mengenali citra atau gambar. Fitur warna dan fitur tekstur juga banyak digunakan dan cocok untuk klasifikasi karena kemiripan antar citra bisa dikenali dengan lebih baik. (Singha, 2012).

Metode penelitian untuk mengklasifikasikan citra makanan sebelumnya telah dilakukan, yaitu dengan menggunakan K-Nearest Neighbor Classifier dan ekstraksi fitur yang digunakan adalah ekstraksi fitur Halarick dan ekstraksi fitur YUV Color Moment. Hasil akurasi yang didapatkan oleh penelitian tersebut sebesar

94,26% (Atmaja, Sari and Wihandika, 2019).

Penelitian yang pernah dilakukan sebelumnya oleh Ayuningsih, Sari dan Adikara (2019) yaitu terkait klasifikasi citra makanan dengan menggunakan fitur HSV Color Moment.

Pada penelitian ini juga menggunakan fitur tekstur LBP. Hasil evaluasi berupa akurasi yang didapat dari penelitian tersebut sebesar 65%

(Ayuningsih, Sari and Adikara, 2019).

Ada beberapa metode yang dapat digunakan untuk pengklasifikasian citra jenis makanan.

Untuk menyelesaikan penelitian ini, warna dan tekstur akan digunakan sebagai fitur. Metode yang digunakan untuk fitur warna adalah ruang warna HSV dan fitur tekstur menggunakan Local Binary Pattern. Dalam proses pengklasifikasian fitur menggunakan K-Nearest Neighbour.

2. LANDASAN KEPUSTAKAAN 2.1 Pengolahan Citra Digital

Citra digital adalah gambar yang dapat diolah atau diproses oleh komputer serta memiliki himpunan nilai terbatas untuk representasi citra dua dimensi yang biasa disebut piksel. Piksel – piksel tersebut mewakili ruang warna yang ada sehingga menghasikan citra (Wu et al., 2013).

Selain itu, terdapat ilmu yang mempelajari tentang bagaimana mengelolah suatu citra dengan menggunakan komputer disebut dengan pengolahan citra digital.

2.2 Pre-Processing Citra

Pre – processing merupakan proses yang pertama kali dilakukan dalam pengolahan citra digital. Proses pre – processing bertujuan untuk menghilangkan bagian yang tidak diperlukan pada citra. Bagian citra yang sering dihilangkan adalah background. Pada pre – processing terdapat tahap – tahap yang bisa dilakukan, antara lain (Adha, Sari and Wihandika, 2019):

1.

Melakukan resize gambar dari ukuran gambar asli ke ukuran gambar 500 x 500 piksel.

2. Melakukan pengubahan ruang warna citra dari RGB ke HSV.

3. Melakukan pengubahan citra dari HSV ke grayscale.

4. Memberikan filter Gaussian Blur pada citra dengan kernel 5x5.

5. Melakukan proses segmentasi dengan menggunakan Otsu Thresholding pada citra serta mengubah citra menjadi citra

(3)

biner.

6. Memberikan proses erosion dan dilation pada citra.

7. Melakukan proses masking pada citra.

2.3 Hue Saturation Value

Hue Saturation Value (HSV) adalah salah satu jenis Color Space yang memiliki tiga nilai warna yaitu Hue, Saturation, dan Value.Setiap komponen memiliki karakteristik masing – masing, yaitu(Nasir, Suciati and Wijaya, 2017) :

1. Hue merepresentasikan sudut dari tipe – tipe warna. Warna merah dimulai pada 0ô, hijau primer pada 120ô, dan warna biru primer pada 240⁰. Serta akan kembali ke warna merah pada sudut 360ô.

2. dimulai dengan warna merah primer pada 0ô, hijau primer pada 120ô, biru primer pada 240⁰, dan kembali ke merah pada 360ô.

3. Saturation mengacu pada seberapa banyak suatu warna tercemar atau kemurnian dari warna tersebut.

4. Value merepresentasikan kecerahan warna.

Proses perubahan atau konversi citra dari ruang warna RGB ke HSV dapat dilihat pada persamaan – persamaan dibawah ini (OpenCV, 2021).

𝑟 = ^𝑅

(𝑅+𝐺+𝐵), 𝑔 = ^𝐺

(𝑅+𝐺+𝐵), 𝑏 = ^𝐵

(𝑅+𝐺+𝐵) (1)

𝑉 = max (𝑟, 𝑔, 𝑏) (2)

𝑆 = {

0, 𝐽𝑖𝑘𝑎 𝑉 = 0

max(𝑟,𝑔,𝑏)−min (𝑟,𝑔,𝑏) max (𝑟,𝑔,𝑏)

, 𝑉 > 0 (3)

H = {

0 ,𝐽𝑖𝑘𝑎 𝑆=0

60∗ ^{(𝑔−𝑏)}

max(𝑟,𝑔,𝑏)−min(𝑟,𝑔,𝑏) ,𝐽𝑖𝑘𝑎 𝑉=𝑟 120+60∗ ^{(𝑏−𝑟)}

max(𝑟,𝑔,𝑏)−min(𝑟,𝑔,𝑏) ,𝐽𝑖𝑘𝑎 𝑉=𝑔 240+60∗ ^{(𝑟−𝑔)}

max(𝑟,𝑔,𝑏)−min(𝑟,𝑔,𝑏) ,𝐽𝑖𝑘𝑎 𝑉=𝑏

(4)

𝐻 = 𝐻 + 360, 𝑗𝑖𝑘𝑎 𝐻 < 0 (5) Keterangan :

R : Nilai piksel warna merah G : Nilai piksel warna hijau B : Nilai piksel warna biru H : Nilai piksel warna hue S : Nilai piksel warna saturation V : Nilai piksel warna value 2.4 Color Moment

Color Moment merupakan sebuah teknik pengukuran yang dapat digunakan untuk membedakan citra berdasarkan karakteristik warna. Color Moment memberikan pengukuran

untuk mendapatkan kesamaan warna sebuah citra. Terdapat tiga moment yang digunakan antara lain mean (µ) merepresentasikanrata – rata nilai warna, standar deviation (σ) menunjukkan standar deviasi atau akar pangkat dari variance, dan skewness (ϑ) menunjukkan ukuran derajat ketidaksimetrisan dari sebuah citra (Halim et al., 2013).

𝜇 = ¹

𝑁∑^𝑗=1_𝑁 𝑃𝑖𝑗 (6)

𝜎 = √¹

𝑁∑^𝑗=1_𝑁 (𝑃𝑖𝑗 − 𝜇𝑖)² (7) 𝜃 = √¹

𝑁∑^𝑗=1_𝑁 (𝑃𝑖𝑗 − 𝜇𝑖)³

3 (8)

Keterangan :

µ : Rata – rata nilai penyebaran warna σ : Standar deviasi

ϑ : Ukuran derajat ketidaksimetrisan N : Jumlah total piksel pada citra Pij : Nilai warna ke-I pada piksel ke-j 2.5 Local Binary Pattern

Local Binary Pattern (LBP) diperkenalkan untuk pertama kalinya oleh Timo Ojala. LBP merupakan metode untuk melakukan analisis tekstur menggunakan model statistik dan struktural, dimana operator LBP membandingkan nilai grayscale dari piksel tetangganya (Amat, Sari and Ningrsum, 2017).

Metode LBP efektif dalam menggambarkan suatu tekstur karena memiliki daya pembeda yang akurat dan toleransi terhadap perubahan monoton pada tingkat keabuan (Turiyanto, Purwanto and Dikairono, 2014).

Setiap piksel yang memiliki ketetanggaan ke- n akan di-threshold menggunakan nilai keabuan (grayscale). Rumus LBP dapat dilihat di bawah ini (Ojala, Pietikäinen and Mäenpää, 2002).

𝐿𝐵𝑃_𝑝,𝑟(𝑥_𝑐, 𝑦_𝑐) = ∑^𝑝=1_𝑝=0𝑠(𝑔_𝑝− 𝑔_𝑐)2^𝑝 (9) Keterangan :

P : jumlah piksel tetangga R : radius

gc : nilai piksel x,y gc : nilai piksel tetangga

Untuk fungsi thresholding s(x) rumusnya dapat dilihat dibawah ini.

𝑠(𝑥) = {1, 𝑥 ≥ 0

0, 𝑥 < 0 (10)

2.6 K-Nearest Neighbour

K-Nearest Neighbour

metode klasifikasi

dimana untuk menentukan kelas data baru

(4)

sesuai dengan jarak ketetanggaan terdekat

. Data pembelajaran diproyeksikan ke ruang multidimensi dimana setiap dimensi mewakili fitur dari data (Liantoni and Nugroho, 2015).

KNN termasuk ke dalam supervised learning,

di mana terdapat data latih yang digunakan untuk melakukan klasifikasi

.

Algoritme k-Nearest Neighbour merupakan algoritme klasifikasi berdasarkan posisi (jarak) suatu data yang dekat dengan data lainnya. Jauh atau dekatnya posisi (jarak) biasanya dapat dihitung menggunakan Cityblock distance, Euclidean distance, Manhattan distance, Minkowsky distance, dan masih banyak lagi (AhmedMedjahed, Ait Saadi and Benyettou, 2013). Tahapan – tahapan algoritme K-NN dapat dilihat sebagai berikut.

1. Menentukan nilai K.

Nilai K akan digunakan sebagai batas dari banyak data yang diambil dari data dengan memiliki jarak paling dekat.

2. Melakukan perhitungan jarak antara data uji dan data latih.

Euclidean distance digunakan untuk melakukan perhitungan jarak di mana jarak berfungsi untuk mengetahui dan memilih suatu data yang mirip.

3. Mengurutkan data sesuai dengan hasil perhitungan jarak.

Proses pengurutan data sesuai dengan hasil perhitungan jaraknya.

4. Membentuk kelompok berdasarkan nilai ketetanggaan terdekat.

Melakukan proses pengurutan data terdekat sebanyak nilai k dan selanjutnya dikelompokkan sesuai kelasnya.

5. Memilih kelompok yang paling sering muncul.

Kelompok yang datanya sering muncul akan dijadikan kelas prediksi dari data uji.

Perhitungan Euclidian distance dapat menggunakan rumus seperti pada Persamaan dibawah ini (AhmedMedjahed, Ait Saadi and Benyettou, 2013).

𝑑(𝑥

₁

, 𝑥

₂

) = √∑

^𝑝_𝑖=1

(𝑥

_2𝑖

− 𝑥

_1𝑖

)

²

(11) Keterangan :

X1 : data sampel X2 : data uji

I

: variabel data d : Euclidean distance P : Jumlah fitur

3. METODOLOGI 3.1 Metode Penelitian

Metode penelitian menjelaskan tantang tahapan – tahapan dan metode yang digunakan dalam proses klasifikasi citra makanan. Terdapat dua metode yang digunakan yaitu metode untuk pelatihan dan metode untuk pengujian. Pada tahap pelatihan, dimulai dengan memasukkan (input) data berupa citra/gambar makanan. Data tersebut kemudian melalui tahapan preprocessing untuk mendapatkan hanya objek makanan yang ada pada citra. Selanjutnya melakukan proses ekstraksi fitur warna HSV dan fitur tekstur LBP. Setelah melalui proses – proses tersebut akan didapatkan nilai dari setiap fitur. Gambar 1. menunjukkan flowchart metode untuk pelatihan.

Gambar 1. Flowchart Metode Untuk Pelatihan Pada tahap metode pengujian akan didapatkan nilai – nilai fitur dari data setelah melalui tahap pelatihan. Setelah itu, dilakukan proses klasifikasi mengunakan K-Nearest Neighbour. Gambar 2. menunjukkan flowchart metode untuk pengujian.

(5)

Gambar 2. Flowchart Metode Untuk Pelatihan 3.2 Metode Pengumpulan Data

Pada tahap ini menjelaskan terkait data yang diguakan dalam penelitian. Data yang dikumpulkan merupakan data sekunder.

Pengambilan data sekunder diambil dengan menggunakan kamera ponsel. Pengumpulan data citra dilakukan oleh tim induksi riset batch 2 Fakultas Ilmu Komputer yang terdiri dari 8 mahasiswa Angkatan 2015.

Pada penelitian ini total citra dataset yang digunakan berjumlah 280 tebagi ke dalam 20 kelas. Dataset ini terbagi menjadi dua yaitu 240 citra sebagai data latih dan 40 citra sebagai data uji. Proses pengambilan gambar setiap makanan dibuat dalam kondisi yang berbeda, yaitu pada sudut yang berbeda kemiringan pengambilan gambar dimulai dari posisi tegak lurus dari atas sampai kemiringan 45 derajat serta terdapat makanan kue tradisional yang sudah dipotong menjadi dua. Berikut ini adalah contoh dataset gambar ditunjuk pada Gambar 3.

Gambar 3. Contoh Dataset

4. PENGUJIAN DAN ANALISIS 4.1 Pengujian Nilai k

Pada pengujian ini, dilakukan dengan metode ekstraksi fitur warna HSV dan fitur tekstur LBP, serta menggabungkan kedua metode ekstraksi fitur. Nilai k yang dipakai yaitu 1, 3, 5, dan 7.

Pemilihan nilai k dengan angka ganjil bertujuan agar dapat dengan mudah untuk menentukan kelas dari data uji.

Tabel 1. Hasil Pengujian Nilai k

Fitur k

1 3 5 7

HSV ^75% ^57.49% ^50% ^47.5%

LBP ^72.5% ^47.5% ^35% ^40%

HSV dan

LBP ^75% ^60% ^57.49% ^57.49%

Gambar 4. Grafik Pengujian Nilai k Berdasarkan Tabel 1 Hasil pengujian didapatkan bahwa dari semua nilai k yang digunakan akurasi tertinggi diperoleh saat nilai k

= 1 yaitu bernilai 75%. Hal ini dikarenakan pencarian jumlah ketetanggaan yang terdekat dari data latih. Data uji hanya mencari satu ketetanggaan sehingga data latih yang lainnya tidak diperlukan untuk menentukan kelas data uji.

Pada hasil pengujian ini, dapat dilihat bahwa semakin besar nilai k maka semakin rendah nilai akurasi yang diperoleh. Hal ini disebabkan oleh jumlah ketetanggaan yang bertambah. Sehingga prediksi kelas dapat dianggap sebagai kelas terdekat dari data uji. Sehingga semakin nilai k mendekati jumlah data maka jumlah ketetanggaan semakin besar akibatnya menambahkan resiko kesalahan dalam klasifikasi.

(6)

4.2 Pengujian Fitur Warna HSV

Pada pengujian ini metode yang digunakan adalah ekstraksi fitur warna HSV dan proses pengklasifikasian menggunakanmetode K-NN.

Pengujian fitur warna HSV, nilai k yang digunakan yaitu k=1. Pada metode fitur warna HSV akan menghasilkan nilai mean, standard deviation, dan skewness. Metode pengujian yang digunakan adalah confusion matrix. Tabel 2.

menunjukkan hasil micro averaging dan macro averaging pada pengujian fitur warna HSV.

Tabel 2. Hasil Micro dan Macro Average Micro Averaging Macro Averaging

P R F1 A P R F1 A

75% 75% 75% 75% 75% 75% 71,5% 75%

Gambar 5. Grafik Hasil Micro dan Macro Averaging

Berdasarkan Tabel 2., Hasil pengujian fitur HSV dihasilkan nilai akurasi sebesar 75% atau 0.75 pada micro averaging dan macro averaging. Hal ini disebabkan karena terdapat jenis makanan yang memiliki kesamaan warna dengan jenis makanan lainnya. Pada micro averaging nilai f1-score sama dengan nilai precision dan recall. Hal ini menunjukkan ada keseimbangan antara nilai precision dan recall.

Pada macro averaging terdapat perbedaan nilai f1-score dengan nilai precision dan recall. Hal ini disebabkan macro averaging hanya melihat sesuai dengan jumlah kelas yang digunakan saja.

Tabel 3 memperlihatkan contoh klasifikasi yang salah dengan menggunakan fitur HSV.

Tabel 3. Contoh Klasifikasi yang salah dengan fitur HSV

k Data uji Tetangga Kelas aktual

Kelas prediksi

1 018 001

4.3 Pengujian Fitur Tekstur LBP

Pada pengujian ini metode yang digunakan adalah ekstraksi fitur tekstur LBP dari citra dan proses pengklasifikasian menggunakan metode K-NN. Pengujian fitur tekstur LBP, nilai k yang digunakan yaitu k=1. Pada metode fitur tekstur LBP akan menghasilkan delapan fitur karena didapatkan pemetaan piksel LBP yang terbagi menjadi delapan rentang.

P R F1 A P R F1 A

72,5% 72,5% 72,5% 72,5% 74,2% 72,5% 70,5% 72,5%

Berdasarkan pada Tabel 3, Hasil pengujian fitur LBP dihasilkan nilai akurasi sebesar 72,5%

atau 0.725 pada micro averaging dan macro averaging. Hal ini disebabkan karena terdapat jenis makanan yang memiliki kesamaan tekstur dengan jenis makanan lainnya. Pada micro averaging nilai f1-score sama dengan nilai precision dan recall. Hal ini menunjukkan ada keseimbangan antara nilai precision dan recall.

Pada macro averaging terdapat perbedaan nilai f1-score dengan nilai precision dan recall. Hal ini karena macro averaging hanya melihat sesuai dengan jumlah kelas yang digunakan saja. Tabel 5 memperlihatkan contoh klasifikasi yang salah dengan menggunakan fitur LBP.

Tabel 5. Contoh Klasifikasi yang salah dengan fitur LBP

k Data uji Tetangga Kelas aktual

1 017 003

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Precision Recall F1 - score Akurasi Micro Average Macro Average

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Presicion Recall F1 - score Akurasi Micro Average Macro Average

(7)

4.4 Pengujian Fitur Warna HSV dan Fitur Tekstur LBP

Pada pengujian ini metode yang digunakan adalah penggabunggan antara ekstraksi fitur warna HSV dan fitur tekstur LBP dari citra dan dilakukan proses klasifikasi menggunakan metode K-NN. Pengujian penggabungan kedua fitur, nilai k yang digunakan yaitu k=1.

P R F1 A P R F1 A

75% 75% 75% 75% 79,2% 75% 73,3% 75%

Berdasarkan Tabel 6, hasil pengujian penggabungan fitur warna HSV dan fitur tekstur LBP dihasilkan nilai akurasi sebesar 75% atau 0.75 pada micro averaging dan macro averaging. Pada micro averaging nilai f1-score sama dengan nilai precision dan recall. Hal ini menunjukkan ada keseimbangan antara nilai precision dan recall. Akan tetapi, terdapat perbedaan nilai precision, dan recall dengan f1- score pada macro averaging. Hal ini dikarenakan jumlah data latih disetiap kelas berbeda – beda.

Tabel 3 memperlihatkan contoh klasifikasi yang salah dengan menggunakan penggabungan metode fitur HSV dan fitur LBP.

Tabel 5. Contoh Klasifikasi yang salah dengan fitur HSV dan fitur LBP k Data uji Tetangga Kelas

aktual

1 007 004

4.5 Pengujian K-Fold Cross Validation

Pada pengujian ini digunakan untuk menentukan hasil akurasi yang optimal dengan melakukan perubahan antara data latih dan data uji. Jumlah keseluruhan data nantinya akan terbagi menjadi partisi – partisi sebanyak nilai K.

Proses pembagian data antara data latih dan data uji dilakukan dengan membagi jumlah seluruh data sebanyak nilai K. Hasil dari pembagian digunakan untuk dijadikan data uji dan sisanya digunakan sebagai data latih.Sehingga data latih dan data uji pada setiap partisi berbeda – beda dan secara bergantian melakukan proses pengujian. Sehingga semua data akan menjadi data uji.

Tabel 5. Hasil K-Fold Cross Validation

Pembagian data

Hasil rata-rata

Fitur HSV

Hasil rata-rata

Fitur LBP

Hasil rata- rata Fitur HSV &

LBP 5 66.07% 60.36% 70.71%

10 68.21% 63.57% 72.50%

15 70.33% 65.69% 74.33%

20 68.29% 66.07% 73.93%

25 70.70% 65.36% 74.67%

30 70.44% 65.33% 74.70%

Gambar 8. Grafik K-Fold Cross Validation Hasil pengujian ini membandingkan metode ekstraksi fitur warna HSV, ekstraksi fitur tekstur LBP, dan kombinasi ekstraksi fitur warna HSV dan fitur tekstur LBP dimana masing – masing diklasifikasikan menggunakan K-Nearest Neighbor Classifier dengan pembagian data sejumlah 5 sampai 30.Berdasarkan Tabel 5 menunjukkan bahwa pembagian data sejumlah 30 mendapatkan hasil akurasi terbesar saat menggunakan metode gabungan ekstraksi fitur warna HSV dan fitur tekstur LBP. Sedangkan hasil akurasi terendah didapatkan pada 5 pembagian data dengan menggunakan metode ekstraksi fitur tekstur LBP. Pada Gambar 7

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Presicion Recall F1 - score Akurasi Micro Average Macro Average

(8)

menunjukkan bahwa metode dengan gabungan ektraksi fitur warna HSV dan fitur tekstur LBP nilai akurasi tertinggi diseluruh pembagian data sejumlah 5 sampai 30 dengan nilai rata – rata akurasi sebesar 73,47%. Sedangkan metode ekstraksi fitur warna HSV dan ekstraksi fitur tekstur LBP diseluruh pembagian data sejumlah 5 sampai 30 berturut – turut nilai rata – rata akurasi sebesar 69,01% dan 64,40%. Pada pengujian ini dengan pembagian data sejumlah 5 sampai 30 untuk setiap skenarionya menunjukkan nilai rata – rata akurasi tidak memiliki perbedaan yang signifikan sehingga sistem dan data yang digunakan sudah valid.

5. KESIMPULAN DAN SARAN 5.1 Kesimpulan

Kesimpulan yang diperoleh dari penelitian ini antara lain sebagai berikut.

1. Metode ekstraksi fitur warna HSV dan ekstraksi fitur LBP dengan K-Nearest Neighbor dapat digunakan untuk melakukan klasifikasi citra makanan kue tradisional dengan nilai akurasi terbaik sebesar 75%. Nilai akurasi terbaik didapatkan saat menggunakan metode kombinasi ekstraksi fitur warna HSV dan fitur tekstur LBP, dan ekstraksi fitur warna HSV dengan nilai k=1.

2. Metode yang digunakan untuk mengklasifikasikan citra kue tradisional menggunakan KNN dengan menggunakan metode ekstraksi fitur HSV menghasilkan akurasi sebesar 75%. Pada saat menggunakan metode ekstraksi fitur LBP menghasilkan akurasi sebesar 72,5%.

Selain itu, saat menggunakan kombinasi metode ekstraksi fitur HSV dan fitur LBP menghasilkan akurasi sebesar 75%. Dari hasil pengujian nilai k, saat menggunakan kombinasi ekstraksi fitur HSV dan ekstraksi fitur LBP menghasilkan rata - rata akurasi sebesar 62,5%. Sedangkan dengan menggunakan ekstraksi fitur HSV dan fitur LBP menghasilkan rata – rata akurasi sebesar 57,5% dan 48,75%. Pada pengujian K – Fold Cross Validation dengan jumlah pembagian data sebesar 5 sampai 30 dengan menggunakan kombinasi ekstraksi fitur HSV dan fitur LBP menghasilkan rata - rata akurasi sebesar 73,47%. Sedangkan dengan menggunakan ekstraksi fitur HSV dan

fitur LBP menghasilkan rata – rata akurasi sebesar 69,01% dan 64,40%. Sehingga metode dengan menggunakan kombinasi ekstraksi fitur HSV dan fitur LBP memberikan akurasi yang lebih baik jika dibandingkan saat menggunakan metode ekstraksi fitur HSV atau ekstraksi fitur LBP saja.

5.2 Saran

Terdapat beberapa saran dari hasil penelitian ini antara lain sebagai berikut.

1. Penambahan data latih sangat dibutuhkan agar klasifikasi yang dilakukan dapat memperoleh hasil yang lebih baik.

2. Menggunakan objek dengan lebih banyak variasi warna agar sistem lebih mudah mengenali objek makanan tradisional.

Sehingga menghasilkan evaluasi yang lebih baik.

DAFTAR PUSTAKA

Adha, S.N., Sari, Y.A. and Wihandika, R.C., 2019. Klasifikasi Jenis Citra Makanan Tunggal Berdasarkan Fitur Local Binary Patterns dan Hue Saturation Value Menggunakan Improved K-Nearest Neighbor. 3(3), pp.2416–2424.

AhmedMedjahed, S., Ait Saadi, T. and Benyettou, A., 2013. Breast Cancer Diagnosis by using k-Nearest Neighbor with Different Distances and Classification Rules. International Journal of Computer Applications, 62(1), pp.1–5. https://doi.org/10.5120/10041- 4635.

Amat, R., Sari, J.Y. and Ningrum, I.P., 2017.

Implementasi Metode Local Binary Patterns Untuk Pengenalan Pola Huruf Hiragana Dan Katakana Pada Smartphone. JUTI: Jurnal Ilmiah Teknologi Informasi, 15(2), p.152.

https://doi.org/10.12962/j24068535.v15i 2.a612.

Atmaja, D.S., Sari, Y.A. and Wihandika, R.C., 2019. Seleksi Fitur Information Gain pada Klasifikasi Citra Makanan Menggunakan Ekstraksi Fitur Haralick dan YUV Color Moment. 3(2), pp.1917–1924.

Ayuningsih, K., Sari, Y.A. and Adikara, P.P., 2019. Klasifikasi Citra Makanan

(9)

Menggunakan HSV Color Moment dan Local Binary Pattern dengan Naïve Bayes Classifier. 3(4), pp.3166–3173.

Giovany, S., Putra, A., Hariawan, A.S. and Wulandhari, L.A., 2017. Machine Learning and SIFT Approach for Indonesian Food Image Recognition.

Procedia Computer Science, 116, pp.612–

620.

https://doi.org/10.1016/j.procs.2017.10.0 20.

Hadi, W., Al-Radaideh, Q.A. and Alhawari, S., 2018. Integrating associative rule-based classification with Naïve Bayes for text classification. Applied Soft Computing Journal, [online] 69, pp.344–356.

https://doi.org/10.1016/j.asoc.2018.04.05 6.

Halim, A., Dewi, C., Angkasa, S., Studi, P. and Informatika, T., 2013. Aplikasi Image Retrieval Menggunakan Kombinasi Metode Color Moment Dan Gabor Texture. 14(2), pp.109–117.

Imania, K.L., Sihombing, R.M. and Mutiaz, I.R., 2014. Pemanfaatan Produk Budaya Modern dalam Bentuk Game untuk Mobile Gadget sebagai Media Pelestarian Budaya Tradisional (Dengan Studi Kasus Kue Tradisional Jawa Barat). ITB Journal of Visual Art and Design, 6(1), pp.17–28.

https://doi.org/10.5614/itbj.vad.2014.6.1.

3.

Liantoni, F. and Nugroho, H., 2015. Klasifikasi Daun Herbal Menggunakan Metode Naïve Bayes Classifier Dan Knearest Neighbor. Jurnal Simantec, 5(1), pp.9–16.

Nasir, M., Suciati, N. and Wijaya, A.Y., 2017.

Kombinasi Fitur Tekstur Local Binary Pattern yang Invariant Terhadap Rotasi dengan Fitur Warna Berbasis Ruang Warna HSV untuk Temu Kembali Citra Kain Tradisional. Inspiration : Jurnal Teknologi Informasi dan Komunikasi,

7(1), pp.42–51.

https://doi.org/10.35585/inspir.v7i1.2435 .

Ojala, T., Pietikäinen, M. and Mäenpää, T., 2002. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7), pp.971–987.

https://doi.org/10.1109/TPAMI.2002.101 7623.

OpenCV, 2021. Color Conversion. [online]

Available at:

<https://docs.opencv.org/3.1.0/de/d25/im gproc_color_conversions.html>

[Accessed 2 Jan. 2021].

Singha, M., 2012. Content Based Image Retrieval using Color and Texture. Signal

& Image Processing : An International

Journal, 3(1), pp.39–57.

https://doi.org/10.5121/sipij.2012.3104.

Turiyanto, M.D., Purwanto, D. and Dikairono, R., 2014. Penerapan Teknik Pengenalan Wajah Berbasis Fitur Local Binary Pattern pada Robot Pengantar Makanan.

pp.1–6.

Wu, J., Peng, B., Huang, Z. and Xie, J., 2013.

Research on Computer Vision-Based Object. pp.183–188.