Multisensory Culinary Image Classification based on SqueezeNet and Support Vector Machine

Soebandhi S, Sooai, A.G, Kristiningsih, Nugroho. A.

Wisata kuliner dapat menjadi keunggulan kompetitif pariwisata Indonesia. Dengan beragam budaya dan suku, Indonesia tentunya memiliki ciri khas kuliner lokal yang tidak ditemukan di daerah lain. Walaupun penelitian wisata kuliner sudah banyak dilakukan, namun belum banyak yang mengkaji wisata kuliner dari analisis pengalaman multisensori melalui pendekatan big data untuk mendapatkan dataset yang dapat diolah untuk memvisualisasikan pengalaman wisata. Penelitian ini bertujuan untuk mengklasifikasikan multisensori yang dialami wisatawan saat melakukan wisata kuliner dengan memanfaatkan deep learning SqueezeNet untuk ekstraksi citra dan Support Vector Machine dengan Linear Kernel untuk klasifikasi citra. Dataset primer terdiri dari tiga kelas gambar: Vibes, Place, dan Food. Penelitian ini berhasil mengklasifikasikan citra kuliner multisensori dengan tingkat akurasi sebesar 98,6%.


Pecel Bu Koes Bratang Surabaya




Popular posts from this blog

How to prepare a Multisensory Data Acquisition

Image
Soebandhi. S, Sooai. A.G., Kristiningsih, Nugroho. A. Penelitian ini bermaksud untuk berkontribusi pada model pengklasifikasi citra kuliner dengan akurasi yang relatif tinggi dan mewakili beberapa wisata kuliner terkait multisensori. Dataset utama terdiri dari empat kelas: Vibes, Coziness, Place, dan Food. Seratus sembilan belas gambar melalui proses ekstraksi fitur berbantuan VGG-16 untuk diproses lebih lanjut menggunakan Support Vector Machine dengan kernel Linear. Alat akuisisi untuk penelitian ini kami sumber dari berbagai jenis gadget milik surveyor dengan resolusi gambar rata-rata 4080 x 1780 piksel, kepadatan 72 piksel, kedalaman bit 24, warna RGB, eksposur 1/100, kecepatan ISO 179, maksimum bukaan 1,69. Pemrosesan menggunakan perangkat CPU 1GHz, RAM 4 GB, tanpa GPU.
Read more

The proposed framework model in classifying the multisensory culinary images

Image
 Soebandhi S., Sooai A.G, Kristiningsih, Nugroho A. A. Kompilasi Kumpulan Data Gambar-gambar yang dikelompokkan dibagi menjadi tiga kelas multisensor: gambar yang mewakili perasaan diberi label “Getaran”, hasil penglihatan produk kuliner diberi label “Makanan”, dan konsekuensi terhadap sensor pendengaran dan sentuhan diberi label “Tempat”. Bagaimanapun, gambar telah berhasil diperoleh dan dikelompokkan berdasarkan label yang telah ditentukan. Langkah selanjutnya adalah melakukan Ground Truth dengan menyeleksi setiap gambar lebih detail dan membuang foto antar kelas serupa karena akan menurunkan akurasi. Penting untuk mendapatkan model pelatihan presisi tinggi.  B . Ekstraksi Fitur Tahap selanjutnya adalah proses ekstraksi fitur menggunakan Deep Learning yang telah dilatih sebelumnya yaitu SqueezeNet [16]–[18]. Semua 119 Foto diubah menjadi data numerik dalam Baris dan Kolom dengan 119 baris dan 1000 kolom. Setiap kolom berisi fitur vektor dari setiap gambar hasil ekstraksi ya...
Read more