Klasifikasi Jajanan Khas Bali Untuk Preservasi Pengetahuan Kuliner Lokal Menggunakan Arsitektur VGG-16

Authors

  • Ni Luh Widi Rahayu Universitas Udayana
  • Nyoman Gunantara Universitas Udayana
  • Made Sudarma Universitas Udayana

DOI:

https://doi.org/10.31598/sintechjournal.v7i1.1455

Keywords:

Klasifikasi, Jajanan Khas Bali, Deep Learning, CNN, VGG-16

Abstract

Pemanfaatan teknologi Deep Learning khususnya teknologi pengenalan gambar merupakan suatu media yang tepat digunakan untuk melakukan klasifikasi citra digital. Pada penelitian ini bertujuan untuk melakukan klasifikasi citra jajanan khas Bali dengan mencari model terbaik dari arsitektur VGG-16 dengan melakukan perbandingan tingkat akurasi, recall, precission dan f1-score dari skenario pengujian yaitu bobot dropout, jumlah batch size dan jumlah epoch yang digunakan. Dataset training yang digunakan dalam penelitian ini sebanyak 2.445 data citra jajanan khas Bali dengan total kelas sebanyak 10 kelas yaitu Klepon 320 citra, Laklak 207 citra, Kaliadrem 222 citra, Jaje Lukis 327 citra, Jaje Batun Bedil 189 citra, Pisang Rai 200 citra, Jaje Piling-piling 234 citra, Jaje Wajik 241 citra, Ongol-ongol 308 citra dan Bubur Injin 197 citra. Dataset sebanyak 50 data citra jajanan khas Bali pada setiap kelasnya dengan jumlah total 500 data citra. Model terbaik yang didapatkan dari arsitektur VGG-16 dalam melakukan klasifikasi jajanan khas Bali yaitu dengan tingkat akurasi sebesar 97,5%, presisi 87,9%, recall 87% serta f1-score sebesar 87,4% dengan parameter pengujian dropout 20%, batch size 64 serta epoch 1000 pada data citra uji diluar data pelatihan dan validasi.

Downloads

Download data is not yet available.

References

I. M. Purna and K. Dwikayana, “Betutu Bali : Menuju Kuliner Diplomasi Budaya Indonesia,” Patanjala J. Penelit. Sej. dan Budaya, vol. 11, no. 2, p. 265, 2019, doi: 10.30959/patanjala.v11i2.478.

Lumanwauw, “PENGEMBANGAN MAKANAN TRADISIONAL BALI PADA PASAR MALAM DI PASAR SINDU , SANUR , BALI Nelsye Lumanauw Pasar malam Sindu menjadi tempat favorit bagi wisatawan yang tinggal di sekitar wilayah Sanur untuk menikmati makanan tradisional Indonesia . Banyak makan,” J. Ilm. Hosp. Manag., vol. 9, no. 1, pp. 83–92, 2018.

C. Purnama Yanti and S. Ika Murpratiwi, “Pengembangan Augmented Reality Interaktif untuk Pengenalan Jajanan Tradisional Bali dengan Marker Based Tracking,” vol. 6, no. 2, pp. 2622–4615, 2021, doi: 10.32493/informatika.v6i2.12084.

C. I. R. Marsiti, N. M. Suriani, and N. W. Sukerti, “Strategi Pengembangan Makanan Tradisional Berbasis Teknologi Informasi Sebagai Upaya Pelestarian Seni Kuliner Bali,” J. IKA, vol. 17, no. 2, p. 128, 2019, doi: 10.23887/ika.v17i2.19844.

R. J. Gunawan, B. Irawan, and C. Setianingsih, “Pengenalan Ekspresi Wajah Berbasis Convolutional Neural Network Dengan Mdel Arsitektur VGG16 Facial Expression Recognition Based On Convolutional Neural Network with VGG16 Architecture Model,” e-Proceeding Eng., vol. 8, no. 5, p. 6442, 2021.

E. Tanuwijaya and A. Roseanne, “Modifikasi Arsitektur VGG16 untuk Klasifikasi Citra Digital Rempah-Rempah Indonesia,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 1, pp. 189–196, 2021, doi: 10.30812/matrik.v21i1.1492.

A. M. Rizki and N. Marina, “Klasifikasi Kerusakan Bangunan Sekolah Menggunakan Metode Convolutional Neural Network Dengan Pre-Trained Model Vgg-16,” J. Ilm. Teknol. dan Rekayasa, vol. 24, no. 3, pp. 197–206, 2019, doi: 10.35760/tr.2019.v24i3.2396.

I. B. K. Sudiatmika and I. G. A. A. S. Dewi, “Pengenalan Karakter Wayang Bali Dengan Arsitektur VGG-16,” J. Teknol. Inf. dan Komput., vol. 7, no. 1, pp. 47–53, 2021.

M. A. Subhi and S. M. Ali, “A deep convolutional neural network for food detection and recognition,” 2018 IEEE EMBS Conf. Biomed. Eng. Sci. IECBES 2018 - Proc., pp. 284–287, 2019, doi: 10.1109/IECBES.2018.08626720.

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.

N. Hnoohom and S. Yuenyong, “Thai Fast Food Image Classification Using Deep Learning,” 1st Int. ECTI North. Sect. Conf. Electr. Electron. Comput. Telecommun. Eng. ECTI-NCON 2018, pp. 116–119, 2018.

R. Windiawan, A. Suharso, and S. Artikel, “Identifikasi Penyakit pada Daun Kopi Menggunakan Metode Deep Learning VGG16 INFO ARTIKEL ABSTRAK,” Exploreit, vol. 13, no. 2, pp. 9–16, 2019.

M. T. Islam, B. M. N. Karim Siddique, S. Rahman, and T. Jabid, “Image Recognition with Deep Learning,” 2018 Int. Conf. Intell. Informatics Biomed. Sci. ICIIBMS 2018, vol. 3, pp. 106–110, 2018, doi: 10.1109/ICIIBMS.2018.8550021.

P. A. Nugroho, I. Fenriana, and R. Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network ( Cnn ) Pada Ekspresi Manusia,” Algor, vol. 2, no. 1, pp. 12–21, 2020.

I. Wulandari, H. Yasin, and T. Widiharih, “Klasifikasi Citra Digital Bumbu Dan Rempah Dengan Algoritma Convolutional Neural Network (Cnn),” J. Gaussian, vol. 9, no. 3, pp. 273–282, 2020, doi: 10.14710/j.gauss.v9i3.27416.

S. Yadav, Alpana, and S. Chand, “Automated Food image Classification using Deep Learning approach,” 2021 7th Int. Conf. Adv. Comput. Commun. Syst. ICACCS 2021, pp. 542–545, 2021, doi: 10.1109/ICACCS51430.2021.9441889.

G. Ciocca, P. Napoletano, and R. Schettini, “Food Recognition: A New Dataset, Experiments, and Results,” IEEE J. Biomed. Heal. Informatics, vol. 21, no. 3, pp. 588–598, 2017, doi: 10.1109/JBHI.2016.2636441.

A. Kurniadi and M. Fal Sadikin, “Implementasi Convolutional Neural Network Untuk Klasifikasi Varietas Pada Citra Daun Sawi Menggunakan Keras Implementation of Neural Network Convolutionals For Classification of Variety on Image of Collards Meat Leaves Using The Keras,” J. Comput. Inf. Technol., vol. 4, no. 1, pp. 25–33, 2020, [Online]. Available: http://e-journal.unipma.ac.id/index.php/doubleclick

A. Ramos-Michel, M. Pérez-Cisneros, E. Cuevas, and D. Zaldivar, “Image Classification with Convolutional Neural Networks,” Stud. Comput. Intell., vol. 967, pp. 445–473, 2021, doi: 10.1007/978-3-030-70542-8_18.

A. Ramanath, S. Muthusrinivasan, Y. Xie, S. Shekhar, and B. Ramachandra, “Ndvi versus cnn features in deep learning for land cover classification of aerial images,” Int. Geosci. Remote Sens. Symp., vol. 2019-July, pp. 6483–6486, 2019, doi: 10.1109/IGARSS.2019.8900165.

A. Kholik, “Klasifikasi Menggunakan Convolutional Neural Network (Cnn) Pada Tangkapan Layar Halaman Instagram,” J. Data Min. dan Sist. Inf., vol. 2, no. 2, pp. 10–20, 2021, [Online]. Available: https://ejurnal.teknokrat.ac.id/index.php/JDMSI/article/view/1345/673%0Ahttps://ejurnal.teknokrat.ac.id/index.php/JDMSI/article/view/1345

Downloads

Published

2024-04-30

How to Cite

[1]
N. L. W. Rahayu, N. Gunantara, and M. Sudarma, “Klasifikasi Jajanan Khas Bali Untuk Preservasi Pengetahuan Kuliner Lokal Menggunakan Arsitektur VGG-16 ”, SINTECH Journal, vol. 7, no. 1, pp. 1-14, Apr. 2024.

Issue

Vol. 7 No. 1 (2024): SINTECH Journal Edition April 2024

Section

Articles

License

Copyright (c) 2024 Ni Luh Widi Rahayu, Nyoman Gunantara, Made Sudarma

Creative Commons License

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

Copyright in each article belongs to the author.

  1. The authors admit that SINTECH Journal as a publisher who published the first time under   Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) License.
  2. Authors can include writing separately, regulate distribution of non-ekskulif of manuscripts that have been published in this journal into another version (eg sent to respository institution author, publication into a book, etc.), by recognizing that the manuscripts have been published for the first time in SINTECH Journal