<![CDATA[Penelitian ini bertujuan untuk mengklasifikasi perbedaan citra gelombang suara perut antara kondisi kenyang dan lapar menggunakan metode Hybrid Gray Level Co-Occurrence Matrix (GLCM) dan Learning Vector Quantization (LVQ). Penelitian ini di latar belakangi oleh tantangan dalam mendeteksi kondisi lapar atau kenyang secara objektif, khususnya pada individu dengan pola makan tidak teratur atau gangguan pencernaan. Ketidakmampuan membedakan sinyal tubuh dapat berdampak pada penanganan kesehatan yang kurang tepat. Dalam penelitian ini, Suara organ pencernaan manusia direkam dan dianalisis dengan ekstraksi fitur GLCM untuk menggambarkan informasi tekstural citra gelombang suara 2D perut. Sedangkan algoritma LVQ digunakan untuk mengklasifikasikan citra gelombang 2D suara menjadi perut kenyang dan perut lapar. Penelitian ini menggabungkan teknik pengolahan citra dan kecerdasan buatan untuk pengenalan suara perut yang lebih akurat. Eksperimen menunjukkan bahwa metode yang diusulkan dapat membedakan perut kenyang dan lapar dengan parameter nilai alfa (α) = 0,001 dan nilai decalfa (decα) = 0,7, Epoch 4 yang menghasilkan akurasi klasifikasi perut lapar dan perut kenyang yang tertinggi dengan akurasi yaitu 99%. Hasilnya membuka peluang penerapan teknologi ini dalam pengembangan sistem pendukung keputusan di bidang kesehatan dan nutrisi.]]>
Copyrights © 2025
