Pengenalan Makanan Tradisional Indonesia Beserta Bahan-bahannya dengan Memanfaatkan DCNN Transfer Learning

Authors

  • Citra Mahaputri Institut Sains dan Teknologi Tepadu Surabaya
  • Yosi Kristian
  • Endang Setyati

DOI:

https://doi.org/10.52985/insyst.v4i2.252

Keywords:

Deep Convolution Neural Network, EfficientNetB6, EfficientNetV2M, Image Classification

Abstract

Pengenalan makanan adalah langkah awal untuk melakukan penilaian diet seseorang. Dalam pengenalan makanan beserta bahan-bahannya, dirasakan kurang diseminasi foto-foto makanan tradisional Indonesia, sehingga peneliti terdorong untuk melakukan penelitian mengenai pengenalan makanan tradisional Indonesia. Peneliti membuat klasifikasi citra makanan yang inputannya merupakan citra makanan tradisional Indonesia. Ekstraksi fitur citra makanan sulit untuk diklasifikasikan karena citra makanan beraneka ragam penampilannya, termasuk tekstur, warna, bentuk dan karakteristik visual lainnya. Penelitian ini meneliti pemanfaatan Deep Convolutional Neural Network (DCNN) model EfficientNetB6 dan EfficientNetV2M untuk pengenalan makanan tradisional Indonesia beserta bahan-bahannya. DCNN merupakan metode yang biasa digunakan untuk mendeteksi citra yang komplek. Peneliti mengumpulkan citra makanan tradisional Indonesia secara manual sebanyak 1.202 citra makanan yang berbeda. Terdiri dari 20 jenis makanan tradisional Indonesia. Masing-masing jenis makanan terdapat 50-80 gambar makanan. Data yang digunakan untuk uji klasifikasi makanan adalah 241 data citra makanan di luar data yang digunakan untuk training dan mendapatkan akurasi 83,82% untuk model EfficientNetV2M dan 80,08% untuk model EfficientNetB6. Kemudian pada proses pengujian dalam memprediksi bahan-bahan makanan yang terlihat pada gambar rata-rata mendapatkan 64% untuk model EfficienNetV2M dan 59% untuk model EfficeintNetB6. Berdasarkan hasil penelitian menunjukkan bahwa metode DCNN dengan model EfficientNetV2M dapat mencapai performa terbaik dari model EfficientNetB6.

References

I. Pamelia, “Perilaku Konsumsi Makanan Cepat Saji Pada Remaja Dan Dampaknya Bagi Kesehatan,” Ikesma, vol. 14, no. 2, p. 144, 2018, doi: 10.19184/ikesma.v14i2.10459.

Y. Mursono, “Prospek Pengembangan Makanan Fungsional,” J. Teknol. Pangan dan Gizi, vol. 7, no. 1, pp. 19–27, 2007, [Online]. Available: http://elearning.unsri.ac.id/pluginfile.php/635/mod_forum/attachment/23137/ipi113801.pdf.

A. Baequny, A. S. Harnany, and E. Rumimper, “Pengaruh Pola Makan Tinggi Kalori terhadap Peningkatan Kadar Gula Darah pada Penderita Diabetes Mellitus Tipe 2,” J. Ris. Kesehat., vol. 4, no. 1, pp. 687–692, 2015, [Online]. Available: http://ejournal.poltekkes-smg.ac.id/ojs/index.php/jrk/article/view/347.

G. A. Pamungkas, R. R. Isnanto, and K. T. Martono, “Pembuatan Aplikasi Panduan Gizi Seimbang Berbasis Android Dengan Menggunakan Metode Backward Chaining,” J. Teknol. dan Sist. Komput., vol. 4, no. 2, p. 369, 2016, doi: 10.14710/jtsiskom.4.2.2016.369-379.

Z. Shen, “ScienceDirect Machine Learning Based Approach on Food Recognition Approach on Food Recognition Machine Based Approach on and Nutrition Estimation Machine Learning Learning Based Approach on Food Food Recognition Recognition Machine Learning Based Approach,” vol. 100, pp. 1–6, 2019.

J. Teng, D. Zhang, D. J. Lee, and Y. Chou, “Recognition of Chinese food using convolutional neural network,” Multimed. Tools Appl., vol. 78, no. 9, pp. 11155–11172, 2019, doi: 10.1007/s11042-018-6695-9.

D. Kraft and G. Bieber, “Vietnamese Food Recognition System Using Convolutional Neural Networks Based Features,” ACM Int. Conf. Proceeding Ser., vol. 3, pp. 423–428, 2020, doi: 10.1145/3389189.3397993.

I. P. A. E. Darma Udayana, M. Sudarma, and P. G. Surya Cipta Nugraha, “Implementation of Convolutional Neural Networks to Recognize Images of Common Indonesian Food,” IOP Conf. Ser. Mater. Sci. Eng., vol. 846, no. 1, 2020, doi: 10.1088/1757-899X/846/1/012023.

Sandhopi, Lukman Zaman P.C.S.W, and Yosi Kristian, “Identifikasi Motif Jepara pada Ukiran dengan Memanfaatkan Convolutional Neural Network,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 9, no. 4, pp. 403–413, 2020, doi: 10.22146/jnteti.v9i4.541.

Y. Kristian, I. K. E. Purnama, E. H. Sutanto, L. Zaman, E. I. Setiawan, and M. H. Purnomo, “Klasifikasi Nyeri pada Video Ekspresi Wajah Bayi Menggunakan DCNN Autoencoder dan LSTM,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 7, no. 3, pp. 308–316, 2018, doi: 10.22146/jnteti.v7i3.440.

S. J. Park, A. Palvanov, C. H. Lee, N. Jeong, Y. I. Cho, and H. J. Lee, “The development of food image detection and recognition model of Korean food for mobile dietary management,” Nutr. Res. Pract., vol. 13, no. 6, pp. 521–528, 2019, doi: 10.4162/nrp.2019.13.6.521.

J. Sun, K. Radecka, and Z. Zilic, “Exploring better food detection via transfer learning,” Proc. 16th Int. Conf. Mach. Vis. Appl. MVA 2019, pp. 1–6, 2019, doi: 10.23919/MVA.2019.8757886.

N. Martinel, G. L. Foresti, and C. Micheloni, “Wide-slice residual networks for food recognition,” Proc. - 2018 IEEE Winter Conf. Appl. Comput. Vision, WACV 2018, vol. 2018-Janua, pp. 567–576, 2018, doi: 10.1109/WACV.2018.00068.

S. R. Suartika E. P, I Wayan, Wijaya Arya Yudhi, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, p. 76, 2016, [Online]. Available: http://repository.its.ac.id/48842/.

A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation,” J. Appl. Informatics Comput., vol. 4, no. 1, pp. 45–51, 2020, doi: 10.30871/jaic.v4i1.2017.

C. Y. Lee, P. W. Gallagher, and Z. Tu, “Generalizing pooling functions in convolutional neural networks: Mixed, gated, and tree,” Proc. 19th Int. Conf. Artif. Intell. Stat. AISTATS 2016, pp. 464–472, 2016.

M. A. Abu, N. H. Indra, A. H. A. Rahman, N. A. Sapiee, and I. Ahmad, “A study on image classification based on deep learning and tensorflow,” Int. J. Eng. Res. Technol., vol. 12, no. 4, pp. 563–569, 2019.

K. Seetala, W. Birdsong, and Y. B. Reddy, “Image classification using tensorflow,” Adv. Intell. Syst. Comput., vol. 800 Part F, no. Itng, pp. 485–488, 2019, doi: 10.1007/978-3-030-14070-0_67.

C. Tan, F. Sun, T. Kong, W. Zhang, C. Yang, and C. Liu, A Survey on Deep Transfer Learning Chuanqi, vol. 11141, no. November. Springer International Publishing, 2018.

Y. Wu, X. Qin, Y. Pan, and C. Yuan, “Convolution neural network based transfer learning for classification of flowers,” 2018 IEEE 3rd Int. Conf. Signal Image Process. ICSIP 2018, pp. 562–566, 2019, doi: 10.1109/SIPROCESS.2018.8600536.

M. Tan and Q. V. Le, “EfficientNet: Rethinking model scaling for convolutional neural networks,” 36th Int. Conf. Mach. Learn. ICML 2019, vol. 2019-June, pp. 10691–10700, 2019.

A. Rohim, Y. A. Sari, and Tibyani, “Convolution neural network (cnn) untuk pengklasifikasian citra makanan tradisional,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, pp. 7038–7042, 2019, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/5851/2789.

Downloads

Additional Files

Published

2022-10-31

How to Cite

[1]
Citra Mahaputri, Yosi Kristian, and Endang Setyati, “Pengenalan Makanan Tradisional Indonesia Beserta Bahan-bahannya dengan Memanfaatkan DCNN Transfer Learning”, INSYST, vol. 4, no. 2, pp. 61–68, Oct. 2022.

Issue

Vol. 4 No. 2 (2022): INSYST: Journal of Intelligent System and Computation

Section

Articles

License

Copyright (c) 2022 INSYST: Journal of Intelligent System and Computation

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.