IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA KULINER KHAS BALI MENGGUNAKAN KERAS

Abstract

Indonesia merupakan negara ribuan kepulauan dengan aneka ragam suku bangsa dan budaya. Kekayaan budaya bukan hanya berupa kesenian, arsitektur pada suatu daerah tertentu. Keahlian dan keanekaragaman kuliner khas juga merupakan salah satu bagian dari budaya. Kuliner khas suatu negara dapat membentuk identitas negara itu di luar negeri, sehingga menjadi daya tarik wisata asing. Bali telah menjadi tujuan pariwisata kelas satu yang menjadi tujuan utama wisatawan asing. Berbagai penghargaan tingkat dunia telah menobatkan Bali menjadi pulau terbaik di dunia. Bali selalu membuka diri dan melakukan terobosan-terobosan untuk memperbaharui pesona dan daya tarik wisatanya pada berbagai bidang, termasuk dalam hal wisata kuliner yang semakin dilirik wisatawan, dengan dikenalnya Bali sebagai destinasi wisata terpopuler hal ini dapat dimanfaatkan untuk mempopulerkan kuliner Bali di mata dunia. Bisnis kuliner merupakan bisnis yang sangat menjanjikan yang menjadi salah satu penopang Industri kreatif, ketika kuliner khas Bali dapat dipromosikan dengan baik otomatis akan berdampak positif pada industri kreatif dan dapat meningkatkan taraf hidup ekonomi masyarakat. Mengingat tidak semua wisatawan asing tau jenis jenis dari kuliner khas Bali maka akan dibuat suatu sistem untuk mengklasifikasikan jenis kuliner khas Bali. Metode yang bisa digunakan untuk melakukan pengolahan citra, salah satunya adalah menggunakan teknik Deep Learning (DL) yaitu metode Convolutional Neural Network (CNN) yang saat ini memiliki hasil paling signifikan dalam pengenalan citra. Metode CNN merupakan salah satu metode Deep Learning yang sedang berkembang saat ini dan merupakan salah satu metode yang digunakan untuk klasifikasi citra. Software yang digunakan adalah Rstudio dengan bantuan package keras. Data citra yang digunakan merupakan data yang diambil dari google image sebanyak 300, data dibagi menjadi 3 kategori yaitu betutu, lawar dan sate lilit. Berdasarkan model terbaik didapatkan hasil akurasi data train sebesar 1,00 dan akurasi data test sebesar 0,8.