Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Insyst : Journal of Intelligent System and Computation JISCOMP (Journal of Information System and Computer)
Citra Mahaputri
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pengenalan Makanan Tradisional Nusantara dengan Menggunakan Convolutional Neural Network Citra Mahaputri; I Dewa Gede Hari Wisana
JUKOMPSI (Jurnal Komputer dan Sistem Informasi) Vol 1 No 1 (2022): Desember
Publisher : Teknik Komputer Fakultas Teknik Universitas Islam Kadiri (UNISKA)

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The research with the title Introduction to Traditional Archipelago Foods using the Convolutional Neural Network (CNN) method is an early stage research. In general, this study aims to identify traditional Indonesian foods by comparing 3 CNN models, namely Resnet50,EfficenNetV2M and EfficientNet B6. The method of data collection is by manually collecting images of 20 types of traditional Indonesian food from the internet, each type of food 50 to 80 images, then developing into 20 classes based on the type of food. These images are then used as training models. The technique used is preprocessing or normalizing food image input data by cropping, wrapping. Then resize to a size of 224 x 224 and the image is converted to grayscale for the training process. This study uses a framework to facilitate the creation of deep learning programs, namely Keras Applications as one of the modules in the library that provides various deep learning models and is used to extract features from images. Data analysis was carried out using manual levers to calculate system accuracy in the detection test process. The introduction of traditional archipelago foods is the first stage of research, which will be developed to the composition of food ingredients and finally will count calories. Research on the introduction of traditional archipelago foods to the calculation of calories has not been done in previous studies
Pengenalan Makanan Tradisional Indonesia Beserta Bahan-bahannya dengan Memanfaatkan DCNN Transfer Learning Citra Mahaputri; Yosi Kristian; Endang Setyati
Intelligent System and Computation Vol 4 No 2 (2022): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v4i2.252

Abstract

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 Deep Convolutional Neural Network (DCNN) model EfficientNetB6 dan EfficientNetV2M 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 training dan mendapatkan akurasi 83,82% untuk model EfficientNetV2M dan 80,08% untuk model EfficientNetB6. Kemudian pada proses pengujian dalam memprediksi bahan-bahan makanan yang terlihat pada gambar rata-rata mendapatkan 64% untuk model EfficienNetV2M dan 59% untuk model EfficeintNetB6. Berdasarkan hasil penelitian menunjukkan bahwa metode DCNN dengan model EfficientNetV2M dapat mencapai performa terbaik dari model EfficientNetB6.
Co-Authors Endang Setyati I Dewa Gede Hari Wisana Yosi Kristian