Klasifikasi Citra Makanan Menggunakan Algoritme Learning Vector Quantization Berdasarkan Ekstraksi Fitur Color Histogram Dan Gray Level Co-Occurrence Matrix

Banyak foto makanan yang tersebar di media sosial namun terkadang kita lupa bahkan tidak mengetahui nama makanan tersebut. Kemampuan manusia untuk mengenali dan mengidentifikasi juga subjektif terhadap pengaruh eksternal, seperti kelelahan, prasangka dan sebagainya. Komputer dapat membantu dengan membuat sebuah sistem yang dapat mengenali dan mengidentifikasi makanan melalui gambar. Penelitian telah dilakukan bahwa proses identifikasi dan klasifikasi secara otomatis menggunakan komputer dapat menghemat waktu dibandingkan harus mengidentifikasi secara manual. Citra pada makanan memiliki warna dan tekstur yang berbeda-beda. Metode ekstraksi fitur warna yang digunakan pada penelitian ini adalah Color Histogram dan ekstraksi fitur tekstur menggunakan Gray Level Co-occurrence Matrix (GLCM). Total data citra yang digunakan sebanyak 255 data yang terdiri dari 240 data latih dan 15 data uji. Algoritme klasifikasi yang digunakan adalah algoritme Learning Vector Quantization (LVQ), dengan parameter terbaik yang dapat digunakan yaitu nilai learning rate (α) sebesar 0,1, penurunan learning rate sebesar 0,1, maksimum epoch sebesar 2, nilai minimum learning rate sebesar 0,01 menghasilkan akurasi sebesar 53,33%. Pengujian yang dilakukan menggunakan ekstraksi fitur warna dan tekstur menghasilkan akurasi sebesar 53,33%. Penggunaan metode ekstraksi fitur warna saja menghasilkan akurasi tertinggi yaitu sebesar 67,00%, dan penggunaan metode ekstraksi fitur tekstur saja menghasilkan akurasi sebesar 53,33%. Berdasarkan hasil tersebut dapat disimpulkan bahwa algoritme LVQ berdasarkan ekstraksi fitur Color Histogram dan GLCM dapat digunakan untuk klasifikasi citra makanan namun tidak menghasilkan akurasi yang sempurn