PUSPITADEWI, FUTIKHA RAHMA (2024) KLASIFIKASI CITRA MAKANAN KHAS SULAWESI SELATAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK=Classification of Traditional South Sulawesi Foods Using Convolutional Neural Network. Skripsi thesis, UNIVERSITAS HASANUDDIN MAKASSAR.
![[thumbnail of cover]](/46410/1.hassmallThumbnailVersion/H011191063_skripsi_28-10-2024%20cover1.jpg)

H011191063_skripsi_28-10-2024 cover1.jpg
Download (256kB) | Preview
![[thumbnail of bab 1-2]](/style/images/fileicons/text.png)
H011191063_skripsi_28-10-2024 bab1-2.pdf
Download (2MB)
![[thumbnail of dapus]](/style/images/fileicons/text.png)
H011191063_skripsi_28-10-2024 dp.pdf
Download (446kB)
![[thumbnail of full text]](/style/images/fileicons/text.png)
H011191063_skripsi_28-10-2024.pdf
Restricted to Repository staff only until 13 September 2027.
Download (3MB)
Abstract (Abstrak)
Latar belakang. Indonesia dikenal sebagai negara dengan keanekaragaman budayanya, termasuk dalam kuliner tradisionalnya. Setiap daerah memiliki makanan khas yang mencerminkan identitas dan kearifan lokalnya. Sulawesi Selatan, salah satu provinsi di Indonesia, terkenal dengan berbagai makanan tradisional seperti coto makassar, sop konro, pallubasa, dan pallu butung. Namun, pengenalan makanan khas melalui citra digital seringkali mengalami kesulitan akibat variasi pencahayaan, perbedaan sudut pengambilan gambar, serta kemiripan visual antara beberapa jenis makanan. Tujuan. Penelitian ini bertujuan untuk mengklasifikasikan citra digital makanan khas Sulawesi Selatan menggunakan metode Convolutional Neural Network (CNN). Metode CNN dipilih karena kemampuannya dalam melakukan ekstraksi fitur dan klasifikasi gambar secara efektif. Penelitian ini diharapkan dapat mengukur kinerja model CNN dalam mengenali dan mengklasifikasikan beberapa jenis makanan khas Sulawesi Selatan. Metode. Penelitian dibagi lima tahap, yakni: 1) pengumpulan dataset; 2) preprocessing data; 3) Perancangan arsitektur CNN 4) pelatihan data; 5) Evaluasi Akhir. Hasil. Diperoleh nilai akurasi pelatihan sebesar 78,12% dan loss 0,5519. Nilai akurasi validasi yaitu 78,05% dan loss 0,6341. Sementara itu pada hasil evaluasi akhir menggunakan data pengujian diperoleh nilai akurasi sebesar 77%. Pada evaluasi akhir menggunakan data uji diperoleh rata-rata nilai precision sebesar 0.79, recall sebesar 0.77, F1-Score sebesar 0.77, dan akurasi keseluruhan mencapai 77%. Beberapa kelas seperti "Pisang Ijo" dan "Pallubutung" memiliki performa yang sangat baik, dengan F1-Score masing-masing sebesar 0.95 dan 0.91. Namun, terdapat pula beberapa kelas dengan performa yang lebih rendah, seperti "Coto Makassar" yang memiliki F1-Score sebesar 0.58. Kesimpulan. Model CNN ini efektif dalam mengklasifikasikan makanan khas Sulawesi Selatan, meskipun masih ada ruang untuk peningkatan pada beberapa kelas tertentu.
Item Type: | Thesis (Skripsi) |
---|---|
Uncontrolled Keywords: | citra digital, Convolutional Neural Network (CNN), ekstraksi fitur, klasifikasi citra digital, confusion matrix, precision, recall, F1-Score, akurasi |
Subjects: | Q Science > Q Science (General) Q Science > QA Mathematics |
Divisions (Program Studi): | Fakultas Matematika dan Ilmu Peng. Alam > Matematika |
Depositing User: | Unnamed user with username pkl2 |
Date Deposited: | 10 Jul 2025 07:34 |
Last Modified: | 10 Jul 2025 07:34 |
URI: | http://repository.unhas.ac.id:443/id/eprint/46410 |