TY - JOUR AU - Citra Mahaputri, AU - Yosi Kristian, AU - Endang Setyati, PY - 2022/10/31 Y2 - 2024/03/28 TI - Pengenalan Makanan Tradisional Indonesia Beserta Bahan-bahannya dengan Memanfaatkan DCNN Transfer Learning JF - INSYST: Journal of Intelligent System and Computation JA - INSYST VL - 4 IS - 2 SE - Articles DO - 10.52985/insyst.v4i2.252 UR - https://jurnal.istts.ac.id/index.php/INSYST/article/view/252 SP - 61 - 68 AB - <p>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 <em>Deep Convolutional Neural Network</em> (DCNN) model <em>EfficientNetB6</em> dan <em>EfficientNetV2M</em> 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 <em>training</em> dan mendapatkan akurasi 83,82% untuk model <em>EfficientNetV2M</em> dan 80,08% untuk model <em>EfficientNetB6. </em>Kemudian pada proses pengujian dalam memprediksi bahan-bahan makanan yang terlihat pada gambar rata-rata mendapatkan 64% untuk model <em>EfficienNetV2M</em> dan 59% untuk model <em>EfficeintNetB6</em>. Berdasarkan hasil penelitian menunjukkan bahwa metode DCNN dengan model <em>EfficientNetV2M</em> dapat mencapai performa terbaik dari model <em>Efficient</em><em>NetB6<strong>.</strong></em></p> ER -