PENENTUAN KALORI MAKANAN BERDASARKAN FITUR WARNA DAN BENTUK MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOUR) BERBASIS ANDROID
Article Sidebar
K-Nearest Neighbour,
Pengolahan Citra
Main Article Content
Abstract
Penelitian ini mengembangkan aplikasi pengenalan citra makanan berdasarkan kebutuhan kalori dengan metode K-Nearest Neighbor (KNN). Data Kementerian Kesehatan Republik Indonesia menunjukkan bahwa banyak orang tidak mengetahui kebutuhan kalori yang masuk ke tubuh. Penelitian ini menggunakan ciri ekstraksi warna dan bentuk dari citra makanan yang diklasifikasikan ke dalam tujuh kelas makanan. Metode KNN digunakan untuk mengenali citra makanan dengan nilai k yang bervariasi. Hasil penelitian menunjukkan bahwa aplikasi dapat mendeteksi citra makanan dengan akurasi tertinggi di nilai k=1 sebesar 91%. Nilai akurasi menurun seiring dengan peningkatan nilai k. Nilai akurasi di k=3 adalah 29,5%, k=5 adalah 29,5%, k=7 adalah 29%, dan k=9 adalah 31,42%. Metode KNN dapat mengenali citra makanan berdasarkan ciri ekstraksi warna dan bentuk. Penelitian ini memberikan kontribusi bagi pengembangan aplikasi pengenalan citra makanan yang dapat membantu orang mengetahui kebutuhan kalori, nilai gizi, dan kandungan bahan makanan.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
M. Lestari, “Coba Tebak Ada Berapa Jumlah Kuliner di Indonesia?,” detikFood, 2019.
https://food.detik.com/berita-boga/d-4529131/coba-tebak-ada-berapa-jumlah-kuliner-diindonesia
M. W. Haryanto, “Aplikasi Penghitung Kebutuhan Kalori Harian Dan Daftar Kandungan Kalori Bahan Makanan,” Tugas Akhir, 2015.
F. Al Azami, A. A. Riadi, and E. Evanita, “Klasifikasi Kualitas Wortel Menggunakan Metode K-Nearest Neighbor Berbasis Android,” Jurasik (Jurnal Ris. Sist. Inf. dan Tek. Inform., vol. 7, no. 1, p. 36, 2022, doi: 10.30645/jurasik.v7i1.413.
M. R. Setiawan, Y. A. Sari, and P. P. Adikara, “Klasifikasi Citra Makanan Menggunakan K-Nearest Neighbor dengan Fitur Bentuk Simple Morphological Shape Descriptors dan Fitur Warna Grayscale Histogram,” vol. 3, no. 3, pp. 2726–2731, 2019.
D. I. Muhammad, E. Ermatita, and N. Falih, “Penggunaan K-Nearest Neighbor (KNN) untuk Mengklasifikasi Citra Belimbing Berdasarkan Fitur Warna,” Inform. J. Ilmu Komput., vol. 17, no. 1, p. 9, 2021, doi: 10.52958/iftk.v17i1.2132.
R. E. Pawening, W. J. Shudiq, and W. Wahyuni, “KLASIFIKASI KUALITAS JERUK LOKAL BERDASARKAN TEKSTUR DAN BENTUK MENGGUNAKAN METODE k-NEAREST NEIGHBOR (k-NN),” COREAI J. Kecerdasan Buatan, Komputasi dan Teknol. Inf., vol. 1, no. 1, pp. 10–17, 2020, doi: 10.33650/coreai.v1i1.1640.
D. P. Pamungkas, “Ekstraksi Citra menggunakan Metode GLCM dan KNN untuk
Identifikasi Jenis Anggrek (Orchidaceae),” Innov. Res. Informatics, vol. 1, no. 2, pp. 51– 56, 2019, doi: 10.37058/innovatics.v1i2.872.
J. A. Widians, H. S. Pakpahan, E. Budiman, H. Haviluddin, and M. Soleha, “Klasifikasi Jenis Bawang Menggunakan Metode K-Nearest Neighbor Berdasarkan Ekstraksi Fitur Bentuk dan Tekstur,” J. Rekayasa Teknol. Inf., vol. 3, no. 2, p. 139, 2019, doi: 10.30872/jurti.v3i2.3213.
I. A. A. Angreni, S. A. Adisasmita, and M. I. Ramli, “Terhadap Tingkat Akurasi Identifikasi Kerusakan Jalan,” vol. 7, no. 2, pp. 63–70, 2018.
A. A. Paturrahman and I. G. P. S. Wijaya, “Analisis Pengenalan Pola Daun Berdasarkan Fitur Canny Edge Detection dan Fitur GLCM Menggunakan Metode Klasifikasi k-Nearest Neighbor (kNN),” J. Comput. Sci. Informatics Eng., vol. 5, no. 1, pp. 68–76, 2021, doi: 10.29303/jcosine.v5i1.388.
R. Mardisa, K. Siregar, and I. S. Nasution, “Klasifikasi Kualitas Fisik Kopi Beras Arabika menggunakan Pengolahan citra dengan Metode K-Nearest Neighbor (K-NN),” J. Ilm. Mhs. Pertan., vol. 7, no. 2, pp. 514–522, 2022, doi: 10.17969/jimfp.v7i2.19896.
S. Agustin and R. Dijaya, “Beef Image Classification using K-Nearest Neighbor Algorithm for Identification Quality and Freshness,” J. Phys. Conf. Ser., vol. 1179, no. 1, pp. 0–6, 2019, doi: 10.1088/1742-6596/1179/1/012184.
N. Neighbor, K. N. N. Berbasis, and F. Warna, “PENGKLASIFIKASIAN DAUN SIRIH DENGAN METODE K-,” vol. 3, no. 2, pp. 13–22, 2024.
M. Xia, W. Lu, J. Yang, Y. Ma, W. Yao, and Z. Zheng, “A hybrid method based on extreme learning machine and k-nearest neighbor for cloud classification of ground-based visible cloud image,” Neurocomputing, vol. 160, pp. 238–249, 2015, doi: https://doi.org/10.1016/j.neucom.2015.02.022.
P. P. P. T. dan K. (Indonesia), Ensiklopedi makanan tradisional di Pulau Jawa dan Pulau Madura. Deputi Bidang Pelestarian dan Penbembangan [i.e. Pengembangan] Kebudayaan, Asdep Urusan Kepercayaan Terhadap Tuhan Yang Maha Esa, Proyek Pelestarian dan Pengembangan Tradisi dan Kepercayaan, 2003. [Online]. Available: https://books.google.co.id/books?id=OwysHAAACAAJ
L. Farokhah, “Implementasi K-Nearest Neighbor untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna RGB,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, pp. 1129– 1136, 2020, doi: 10.25126/jtiik.2020722608.
S. Jurusan, S. Komputer, J. S. Komputer, and R. Passarella, “Rouzan Fiqri Abdullah,” Pros. Annu. Res. Semin., vol. 3, no. 1, 2017.
L. D. Asih and M. Widyastiti, “Meminimumkan Jumlah Kalori Di Dalam Tubuh Dengan
Memperhitungkan Asupan Makanan Dan Aktivitas Menggunakan Linear Programming,” J. Ekol., vol. 16, no. 1, pp. 38–44, 2016.
J. Sreemathy, “an Efficient Text Classification Using Knn and Naive Bayesian,” vol. 4, no. 03, pp. 392–396, 2012.
J. Wäldchen and P. Mäder, Plant Species Identification Using Computer Vision Techniques: A Systematic Literature Review, vol. 25, no. 2. Springer Netherlands, 2018. doi: 10.1007/s11831-016-9206-z.
P. Soepomo, “Implementasi Metode Canny Untuk Deteksi,” J. Sarj. Tek. Inform., vol. 2, pp. 231–243, 2014.
B. Tan, M. Steinbach, A. Karpatne, and V. Kumar, “Introduction to Data Mining, 2 nd Edition Large-scale Data is Everywhere! Computational Simulations Social Networking: Twitter Sensor Networks Traffic Patterns Cyber Security,” 2020.