Aulia, Zulfa Hindi (2024) Temu kembali informasi nutrisi berbasisi klasisfikasi citra menggunakan gaussian naive bayes. Undergraduate thesis, Universitas Islam Negeri Maulana Malik Ibrahim.
Text (Fulltext)
200605110128.pdf - Accepted Version Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (5MB) |
Abstract
INDONESIA:
Buah-buahan merupakan kelompok pangan yang digolongkan sebagai pola pangan harapan, yaitu konsep pola makan yang diharapkan dapat memenuhi kebutuhan gizi seimbang dan kesehatan manusia secara berkelanjutan. Setiap individu seharusnya melakukan monitoring asupan gizi mereka. Namun sayangnya masih banyak individu yang kesulitan dalam memantau dan mengontrol asupan gizi harian. Oleh karena itu, dikembangkan sebuah sistem menggunakan kecerdasan buatan untuk analisis citra buah dalam pemantauan asupan nutrisi dengan memanfaatkan metode klasifikasi Gaussian Naive Bayes (GNB). Penelitian ini memanfaatkan dataset yang tersedia di Kaggle yaitu dataset "Fruit Classification". Pre-processing yang dilakukan pada penelitian ini berupa grayscale, thresholding, dan contours. Sedangkan ekstraksi fitur yang diambil berupa histogram warna, Local Binary Patterns (LBP), dan bentuk. Pengujian dilakukan dengan beberapa skenario yaitu split data, k-fold, data baru, dan variasi fitur. Berdasarkan hasil pengujian yang dilakukan, dapat disimpulkan bahwa sistem yang dirancang menunjukkan hasil evaluasi dengan nilai akurasi rata-rata di atas 80% pada pengujian menggunakan metode split data dan k-fold cross-validation. Namun, terdapat penurunan hingga 54% pada hasil uji coba menggunakan data baru. sedangkan uji coba menggunakan variasi fitur menunjukkan bahwa fitur histogram warna memberikan kontribusi yang paling signifikan dalam meningkatkan akurasi sistem, dengan akurasi mencapai 90%. Hal ini menunjukkan bahwa model mungkin mengalami masalah overfitting atau kurang generalisasi pada data yang belum pernah dilihat sebelumnya.
ENGLISH:
Fruits are a food group classified as a food pattern of hope, a dietary concept expected to meet the needs of balanced nutrition and human health sustainably. Every individual should monitor their nutritional intake. Unfortunately, there are still many individuals who need help in monitoring and controlling daily dietary intake. Therefore, a system was developed using artificial intelligence for fruit image analysis to monitor nutritional intake using the Gaussian Naive Bayes (GNB) classification method. This research utilises the Kaggle dataset, the "Fruit Classification" dataset. They are pre-processing carried out in this study in the form of grayscale, thresholding, and contours. Meanwhile, feature extraction is taken in the form of colour histograms, local binary patterns (LBP), and shapes. Testing involves several scenarios: split data, k-fold, new data, and feature variations. Based on the test results, the designed system shows evaluation results with an average accuracy above 80% in tests using split data and k-fold cross-validation methods. However, there is a decrease of up to 54% in the test results using new data. In contrast, the test using feature variations shows that the colour histogram feature makes the most significant contribution in improving the system's accuracy, with accuracy reaching 90%. This suggests that the model may experience overfitting or undergeneralisation issues on data that has never been seen before.
ARABIC:
الفاكهة هي مجموعة غذائية تصنف على أنها نمط غذائي للأمل، وهو مفهوم غذائي من المتوقع أن يلبي احتياجات التغذية المتوازنة وصحة الإنسان بطريقة مستدامة. يجب على كل فرد مراقبة مدخوله الغذائي. ولسوء الحظ، لا يزال هناك العديد من الأفراد الذين يحتاجون إلى المساعدة في مراقبة المدخول الغذائي اليومي والتحكم فيه. ولذلك، تم تطوير نظام باستخدام الذكاء الاصطناعي لتحليل صور الفاكهة لمراقبة المدخول الغذائي باستخدام طريقة تصنيف غاوسي ساذج (GNB). يستخدم هذا البحث مجموعة بيانات Kaggle، وهي مجموعة بيانات "تصنيف الفاكهة". يتم إجراء المعالجة المسبقة في هذه الدراسة على شكل تدرج الرمادي، والعتبة، والخطوط. وفي الوقت نفسه، يتم استخراج السمات في شكل رسوم بيانية ملونة، وأنماط ثنائية محلية (LBP)، وأشكال. يتضمن الاختبار عدة سيناريوهات: البيانات المقسّمة، والبيانات المضاعفة k، والبيانات الجديدة، وتنويعات السمات. استنادًا إلى نتائج الاختبار، يُظهر النظام المصمم نتائج تقييم بمتوسط دقة أعلى من 80% في الاختبارات باستخدام طرق التحقق المتقاطع للبيانات المقسمة و k-fold. ومع ذلك، هناك انخفاض يصل إلى 54% في نتائج الاختبار باستخدام البيانات الجديدة. في المقابل، يُظهر الاختبار باستخدام تنويعات الميزات أن ميزة المدرج التكراري اللوني تُسهم بشكل كبير في تحسين دقة النظام، حيث تصل الدقة إلى 90%. يشير هذا إلى أن النموذج قد يواجه مشكلات في التعميم المفرط أو التعميم الناقص على البيانات التي لم يسبق رؤيتها من قبل.
Item Type: | Thesis (Undergraduate) |
---|---|
Supervisor: | Crysdian, Cahyo and Melani, Roro Inda |
Keywords: | Computer Vision; Gaussian Naive Bayes; Klasifikasi Buah; Fruit Classification; رؤية الكمبيوتر; غاوسي بايز الساذج; تصنيف الفاكهة |
Subjects: | 08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing > 080104 Computer Vision 08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing > 080106 Image Processing |
Departement: | Fakultas Sains dan Teknologi > Jurusan Teknik Informatika |
Depositing User: | Zulfa Hindi Aulia |
Date Deposited: | 23 Jul 2024 11:37 |
Last Modified: | 08 Aug 2024 08:39 |
URI: | http://etheses.uin-malang.ac.id/id/eprint/66044 |
Downloads
Downloads per month over past year
Actions (login required)
View Item |