Abstrak
Identifikasi kayu salah satu kebutuhan untuk mendukung pemerintah dan kalangan bisnis kayu untuk melakukan perdagangan kayu secara legal. Keahlian khusus dan waktu yang cukup dibutuhkan untuk memproses identifikasi kayu di laboratorium. Beberapa metodologi penelitian sebelumnya, proses identifikasi kayu masih dengan cara menggabungkan sistem manual menggunakan anatomi DNA kayu. Sedangkan penggunaan sistem komputer diperoleh dari citra penampamg melintang kayu secara proses mikrokopis dan makroskopis. Saat ini, telah berkembang teknologi computer vision dan machine learning untuk mengidentifikasi berbagai jenis objek, salah satunya citra kayu. Penelitian ini berkontribusi dalam mengklasifikasi beberapa spesies kayu yang diperdagangkan menggunakan Deep Convolutional Neural Networks (DCNN). Kebaruan penelitian ini terletak pada arsitektur DCNN yang bernama Kayu7Net. Arsitektur Kayu7Net yang diusulkan memiliki tiga lapisan konvolusi terhadap tujuh spesies dataset citra kayu. Pengujian dengan merubah citra input menjadi berukuran 600×600, 300×300, dan 128×128 piksel serta masing-masing diulang pada epoch 50 dan 100. DCNN yang diusulkan menggunakan fungsi aktivasi ReLU dengan batch size 32. ReLU bersifat lebih konvergen dan cepat saat proses iterasi. Sedangkan Fully-Connected (FC) berjumlah 4 lapisan akan menghasilkan proses training yang lebih efisien. Hasil eksperimen memperlihatkan bahwa Kayu7Net yang diusulkan memiliki nilai akurasi sebesar 95,54%, precision sebesar 95,99%, recall sebesar 95,54%, specificity sebesar 99,26% dan terakhir, nilai F-measure sebesar 95,46%. Hasil ini menunjukkan bahwa arsitektur Kayu7Net lebih unggul sebesar 1,49% pada akurasi, 2,49% pada precision, dan 5,26% pada specificity dibandingkan penelitian sebelumnya.
Kata kunci: identifikasi; kayu; computer vision; machine learning; DCNN; Kayu7Net; F-measure
1. PENDAHULUAN
Saat ini, Pusat Penelitian Informatika LIPI telah mengembangkan Alat Identifikasi Kayu Otomatis (AIKO) menggunakan smartphone. Untuk mendeteksi jenis kayu, langkah pertama perlu memasang lup dengan perbesaran enam puluh kali tepat pada kamera smartphone. Langkah kedua adalah mengambil citra kayu melalui aplikasi AIKO. Perbesaran sudah diatur oleh aplikasi sebesar 3,5 kali, sehingga total perbesaran adalah 210 kali. Selanjutnya aplikasi AIKO akan mengirimkan citra kayu ke server HPC LIPI. Citra kayu kemudian diidentifikasi dengan menggunakan model klasifikasi yang telah dilatih sebelumnya. Aplikasi layanan di server kemudian mengirim kembali hasil identifikasi citra kayu ke aplikasi di smartphone. Hasil yang ditampikan pada aplikasi, selain informasi nama spesies kayu juga informasi lain seperti nama dagang kayu, nama latin kayu, berat jenis, kelas awet, kelas kuat, dan kegunaannya. Aplikasi AIKO ini masih terus ditingkatkan kemampuannya terutama akurasi identifikasi. Beberapa bagian salah identifikasi masih bisa terjadi, khususnya kayu yang mempunyai kemiripan visual pada citra penampang lintang (cross-section). Contoh pengujian menggunakan aplikasi AIKO pada lima belas sampel menggunakan kayu ramin, hasilnya teridentifikasi sebagai tenggayun sebanyak 5 kali, jabon sebanyak 5 kali, dan terentang ayam sebanyak 2 kali. Sisanya teridentifikasi sebagai kayu menjalin, kembang semangkok, dan terap masingmasing sebanyak satu kali. Sedangkan untuk pengujian ke enam spesies kayu lainnya, proses dan hasilnya hampir sama dengan contoh pengujian pada spesies kayu ramin. Berdasarkan contoh pengujian ini maka ditentukan tujuh spesies kayu yang mempunyai kemiripan visual antara lain ramin, jabon, kembang semangkok, menjalin, tenggayun, terentang ayam, dan terap, yang menjadi objek penelitian ini.
Untuk lebih lengkapnya anda bisa mengdownload jurnal nya di link berikut :
Kata Kunci : Deep Convolutional Neural Network (DCNN), Jurnal Sistem Pakar, Jurnal Teknik Informatika, Jurnal Skripsi, Jurnal, Contoh Jurnal, Skripsi Teknik Informatika,Contoh Skripsi, Skripsi
){kind=link}
Post a Comment
Post a Comment