Klasifikasi Image Jenis Kayu pada Furnitur dengan Convolutional Neural Network

Authors

  • Evasaria Magdalena Sipayung Universitas Bunda Mulia
  • Edward Christopher R. Universitas Bunda Mulia

DOI:

https://doi.org/10.61769/telematika.v18i2.617

Keywords:

wood, classification, Convolutional Neural Network, image classification, confusion matrix, kayu, klasifikasi, klasifikasi gambar

Abstract

Kayu memiliki berbagai macam jenis. Setiap jenis kayu memiliki pola-pola tertentu dengan warna yang beragam. Dalam menentukan jenis kayu maka perlu dilakukan sebuah klasifikasi dengan menggunakan metode Convolutional Neural Network (CNN). Dengan penggunaan CNN dapat dilakukan ekstraksi sebuah fitur kemudian fitur-fitur tersebut akan menjadi data dalam menentukan klasifikasi jenis kayu. Data gambar kayu yang dikumpulkan dari data augmentasi adalah sebanyak 120 gambar dengan jenis kayu jati, mahoni, oak, dan pinus. Keempat kelas jenis kayu tersebut memiliki perbandingam data latih 70% dan data uji 30%. Masing-masing kelas menggunakan empat convolutional layer dengan filter 32, 32, 64, dan 64 dan menggunakan pool size sebesar 2x2 dengan neuron (hidden layer) sebanyak 512. Pengujian website image classification dengan menggunakan metode confusion matrix didapatkan akurasi sebesar 80,5% dari pengujian yang dilakukan pada data uji.

 

Different types of wood have unique patterns and colors. A classification process is necessary to identify the type of wood using the Convolutional Neural Network (CNN) method. This method enables feature extraction, which becomes the data used to classify wood species. The wood image data collected from augmentation data consists of 120 images, including teak, mahogany, oak, and pine wood types. The four wood species classes have a 70% training data and a 30% test data ratio. Each class uses four convolutional layers with filters of 32, 32, 64, and 64, and a pool size of 2x2 with 512 neurons in the hidden layer. Testing the image classification website using the confusion matrix method resulted in an accuracy of 80.5%.

Author Biographies

Evasaria Magdalena Sipayung, Universitas Bunda Mulia

Prodi Informatika

Edward Christopher R., Universitas Bunda Mulia

Prodi Informatika

References

P. A. Nugroho, I. Fenriana, dan R. Arijanto, “Implementasi deep learning menggunakan convolutional neural network (CNN) pada ekspresi manusia,” Jurnal Algor, vol. 2, no. 1, hlm. 12–21, 2020.

M. R. Efrian dan U. Latifa, “Image recognition berbasis convolutional neural network (CNN) untuk mendeteksi penyakit kulit pada manusia,” Jurnal Polektro: Jurnal Power Elektronik, vol. 11, no. 1, hlm. 276–282, 2022, DOI: 10.30591/polektro.v12i1.3874.

N. F. Mustamin, Y. Sari, dan H. Khatimi, “Klasifikasi kualitas kayu kelapa menggunakan arsitektur CNN,” Kumpulan jurnaL Ilmu Komputer (KLIK), vol. 8, no. 1, hlm. 49–59, 2021, DOI: http://dx.doi.org/10.20527/klik.v8i1.370.

T. Riantiarni, “Deteksi Cacat pada Permukaan Kayu Menggunakan Model Convolutional Neural Network Yolov5,” Skripsi, Telkom University, Bandung, 2022.

S. Ilahiyah dan A. Nilogiri, “Implementasi deep learning pada identifikasi jenis tumbuhan berdasarkan citra daun menggunakan convolutional neural network,” Justindo (Jurnal Sistem & Teknologi Informasi Indonesia), vol. 3, no. 2, hlm . 49–56, 2018.

U. N. Oktaviana, R. Hendrawan, A. D. K. Annas, dan G. W. Wicaksono, “Klasifikasi penyakit padi berdasarkan citra daun menggunakan model terlatih Resnet101,” Jurnal Resti (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, hlm. 1216–1222, 2021, DOI: https://doi.org/10.29207/resti.v5i6.3607.

E. Rasywir, R. Sinaga, dan Y. Pratama, “Analisis dan implementasi diagnosis penyakit sawit dengan metode convolutional neural network (CNN),” Paradigma – Jurnal Informatika dan Komputer, vol. 22, no. 2, hlm. 117–123, 2020, DOI: https://doi.org/10.31294/p.v22i2.8907.

L. H. Ganda dan H. Bunyamin, “Penggunaan augmentasi data pada klasifikasi jenis kanker payudara dengan model Resnet-34,” Jurnal Strategi, vol. 3, no. 1, hlm. 187–193, 2021,

L. Farokhah, “Implementasi convolutional neural network untuk klasifikasi variasi intensitas emosi pada dynamic image sequence,” Jurnal Resti (Rekayasa Sistem dan Teknologi Informasi), vol. 4, no. 6, hlm. 1070–1076, 2020, DOI: https://doi.org/10.29207/resti.v4i6.2644.

S. Fauzi, P. Eosina, dan G. F. Laxmi, “Implementasi convolutional neural network untuk identifikasi ikan air tawar,” dalam Prosiding Seminar Teknologi Informasi (Semnati), vol. 2, 2019, hlm. 163–167.

R. A. Pangestu, B. Rahmat, dan F. T. Anggraeny, “Implementasi algoritme CNN untuk klasifikasi citra lahan dan perhitungan luas,” Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol, vol. 1, no. 1, hlm. 166–174, 2020.

M. S. Maheshan dan B. S. H. N. Nagadarshan, “A convolution neural network engine for sclera recognition,” International Journal of Interactive Multimedia and Artificial Intelligence, vol. 6, no. 1, 2018, DOI:10.9781/ijimai.2019.03.006.

G. Wicaksono, S. Andryana, dan Benrahman, “Aplikasi pendeteksi penyakit pada daun tanaman apel dengan metode convolutional neural network,” Jointecs (Journal of Information Technology and Computer Science), vol. 7, no. 1, hlm. 9–16, 2020, DOI: https://doi.org/10.31328/jointecs.v5i1.1221.

A. Kholik, “Klasifikasi menggunakan convolutional neural network (CNN) pada tangkapan layar halaman Instagram,” Jurnal Data Mining dan Sistem Informasi (JDMSI), vol. 2, no. 2, hlm. 10–20, 2021, DOI: https://doi.org/10.33365/jdmsi.v2i2.1345.

D. Normawati dan S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” Jurnal Sains Komputer & Informatika (J-SAKTI), vol. 5, no. 2, hlm. 697–711, Sep. 2021, DOI: http://dx.doi.org/10.30645/j-sakti.v5i2.369

Published

2024-01-28

Issue

Section

Articles