Klasifikasi Jenis Kayu Menggunakan Esktrasi Fitur Gray Level Co-Occurence Matrix dan Multilayer Perceptron

Deni Wahyu Wibowo, Danang Erwanto, Diah Arie Widhining Kusumastutie

Abstract


The type of wood is generally characterized by color, pattern and fiber because wood physically has almost the same characteristics. To determine the type of wood, experience and knowledge about wood are needed. This study applies digital image processing technology using the GLCM (gray level co-occurrence matrix) feature extraction method to produce feature extraction values on wood texture. The parameter values generated in the GLCM feature extraction are correlation, contrast, energy and homogeneity. The results from feature extraction are then used as a data classification of types of wood using MLP (multilayer perceptron) method. There are 4 wood types going to be involved in this research as datasets i.e., teak, sengon, mahogany, and mindi. The results of this study, obtained the best level of accuracy in validation data of 88.75%. The output of this research is softmax data using MLP method with an error value in the training neared target of data by 0.029421 with the epoch 1.000 iterations.

 Keywords : Digital Image Processing, Feature Extraction, GLCM and MLP


Abstrak

Jenis kayu umumnya dicirikan dari warna, corak dan serat karena kayu secara fisik memiliki ciri yang hampir sama. Untuk menentukan jenis kayu, diperlukan pengalaman dan pengetahuan tentang kayu. Penelitian ini menerapkan teknologi pengolahan citra digital menggunakan metode ekstraksi fitur GLCM (gray level co-occourrence matrix) untuk menghasilkan nilai ekstraksi fitur pada tesktur kayu. Parameter nilai dihasilkan pada ekstraksi fitur GLCM adalah correlation, contrast, energy dan homogeneity. Hasil dari parameter GLCM kemudian digunakan sebagai data untuk klasifikasi jenis kayu menggunakan metode MLP (multilayer perceptron). Dalam penelitian ini digunakan 4 jenis kayu sebagai pengujian dan datasheet, yaitu kayu jati, sengon, mahoni dan mindi. Hasil dari penelitian ini, diperoleh tingkat akurasi terbaik pada data validasi sebesar 88,75 %. Keluaran dari penelitian ini berupa data softmax dengan menggunakan metode MLP dengan nilai error pada data training yang mendekati target sebesar 0.029421 dengan epoch 1.000 iterasi.

 

Kata Kunci : Pengolahan Citra Digital, Ekstraksi Fitur, GLCM dan MLP


Full Text:

PDF

References


I. Santoso, Y. Christyono, and M. Indriani, “Kinerja Pengenalan Citra Tekstur menggunakan Analisis Tekstur Metode Run Length,” in Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 2007.

I. Gunawan, J. Halomoan, and R. D. Atmaja, “Perancangan Sistem Identifikasi Kualitas Kayu Untuk Quality Kontrol Berbasis Pengolahan Citra Digital,” eProceedings Eng., vol. 2, no. 1, 2015.

A. Fahrurozi, S. Madenda, D. Kerami, and others, “Wood texture features extraction by using GLCM combined with various edge detection methods,” in Journal of Physics: Conference Series, 2016, vol. 725, no. 1, p. 12005.

M. I. Fathurrahman, J. Jondri, and A. A. Rohmawati, “Sistem Klasifikasi Kualitas Kayu Jati Berdasarkan Jenis Tekstur Dengan Jaringan Syaraf Tiruan Menggunakan Gray-level-co-occurence Matrix,” eProceedings Eng., vol. 6, no. 2, 2019.

A. W. Sanjaya, “Deteksi Penyakit Kulit Menggunakan Analisis Fitur Warna dan Tekstur Dengan Metode Color Moment, Gray Level Cooccurence Matrix dan Jaringan Saraf Tiruan Backpropagation,” Inst. Teknol. Telkom, 2011.

J. F. Dumanauw, Mengenal Kayu . Kanisius.

R. A. Pramunendar, D. P. Prabowo, D. Pergiwati, and K. Latifa, “KLASIFIKASI JENIS KAYU MENGGUNAKAN BACK-PROPAGATION NEURAL NETWORK BERDASARKAN FITUR GRAY LEVEL COOCCURRENCE MATRIX,” Sens 3, vol. 1, no. 1, 2017.

D. Putra, Pengolahan citra digital. Penerbit Andi, 2010.

M. A. Afandi, S. I. Purnama, and R. F. Crisianti, “Implementasi Metode Deteksi Tepi Laplacian dan Jarak Euclidean untuk Identifikasi Tanda Tangan,” J. Nas. Tek. Elektro, vol. 9, no. 1, pp. 34–43, 2020.

S. Santosa, M. Martono, M. B. Utomo, and B. S. Budi, “Seleksi Arah Sudut Komputasi Dan Fitur Glcm Pada Kstraksi Citra Kayu Jati, Mahoni, Mindi, Dan Sengon,” Wahana Tek. Sipil J. Pengemb. Tek. Sipil, vol. 23, no. 2, pp. 77–87, 2019.

K. Lloyd, P. L. Rosin, D. Marshall, and S. C. Moore, “Detecting violent and abnormal crowd activity using temporal analysis of grey level co-occurrence matrix (GLCM)-based texture measures,” Mach. Vis. Appl., vol. 28, no. 3–4, pp. 361–371, 2017.

O. R. Indriani, E. J. Kusuma, C. A. Sari, E. H. Rachmawanto, and others, “Tomatoes classification using K-NN based on GLCM and HSV color space,” in 2017 international conference on innovative and creative information technology (ICITech), 2017, pp. 1–6.

S. Han, J. Pool, J. Tran, and W. Dally, “Learning both weights and connections for efficient neural network,” in Advances in neural information processing systems, 2015, pp. 1135–1143.

N. Purwaningsih, “Penerapan Multilayer Perceptron Untuk Klasifikasi Jenis Kulit Sapi Tersamak,” J. TeknoIf, vol. 4, no. 1, 2016.

K. Kwon, D. Kim, and H. Park, “A parallel MR imaging method using multilayer perceptron,” Med. Phys., vol. 44, no. 12, pp. 6209–6224, 2017.




DOI: https://doi.org/10.25077/jnte.v10n1.788.2021

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 3.0 License.

  

       

 

.
 Statistic and Traffic