Identifikasi Jenis Kayu Berdasarkan Fitur Tekstur Local Binary Pattern Menggunakan Metode Learning Vector Quantization
DOI:
https://doi.org/10.23887/janapati.v10i3.40804Keywords:
kayu, local binery pattern, learning vector quantizationAbstract
Pada umumnya pengenalan jenis kayu masih dilakukan dengan menggunakan indera penglihatan dan penciuman. Hal tersebut dapat mempengaruhi proses jual beli dimana waktu yang dibutuhkan untuk pengenalan kayu menjadi lebih lama sehingga menyebabkan proses bisnis menjadi kurang efektif. Penelitian ini bertujuan untuk membangun suatu model machine learning untuk proses identifikasi jenis kayu berdasarkan fitur teksur citra pada kayu. Metode Local Binary Pattern (LBP) digunakan dalam proses ekstraksi ciri untuk menghasilkan vektor ciri yang dijadikan data input pada proses klasifikasi citra dengan menggunakan metode Learning Vector Quantization (LVQ). Parameter yang digunakan pada metode LBP meliputi numpoint dan radius dengan nilai 1 sampai 10. Hasil penelitian dari metode ini didapatkan akurasi tertinggi 68,33% pada numpoint 2 dan radius 1. Hasil pengujian yang cukup rendah dapat dipengaruhi oleh beberapa faktor yaitu jumlah citra latih dan terdapat beberapa citra kayu memiliki pola yang hampir sama.References
Y. I. Mandang, R. Damayanti, T. E. Komar, and S. Nurjanah, “Pedoman Identifikasi Kayu Ramin dan Kayu Mirip Ramin,” ITTO Proj. PD, vol. 426, no. 06, 2008.
Y. I. Mandang, S. Prawirohatmodjo, I. K. N. Pandit, and S. Danimihardja, Pedoman identifikasi jenis kayu di lapangan. Yayasan Prosea, 2002.
I. Santoso, Y. Christyono, and M. Indriani, “Kinerja Pengenalan Citra Tekstur menggunakan Analisis Tekstur Metode Run Length,” 2007.
C. Trisyanto, “Sistem Identifikasi Kayu Ramin Berbasis Citra Menggunakan Local Binary Pattern Dan Probabilistic Neural Network,” Institut Pertanian Bogor, 2012.
F. N. Achsani et al., “Deteksi Adanya Cacat Pada Kayu Menggunakan Metode Local Binary Pattern Detection Of The Existence Of The Defects In Wood,” vol. 2, no. 1, pp. 298–305, 2015.
A. Y. Fikri and R. A. Pramunendar, “Identifikasi Jenis Kayu Menggunakan Learning Vector Quantization Berdasarkan Fitur Tekstur Gray Level Co-Occurrence Matrix,” Univ. Dian Nuswantoro, pp. 1–8, 2015.
E. Purwanti and P. Widiyanti, “Using learning vector quantization method for automated identification of mycobacterium tuberculosis,” Indones. J. Trop. Infect. Dis., vol. 3, no. 1, pp. 26–29, 2015.
S. Godara and R. Gupta, “Neural Networks for Iris Recognition: Comparisons between LVQ and Cascade Forward Back Propagation Neural network Models, Architectures and Algorithm,” Neural Networks, vol. 3, no. 1, pp. 7–10, 2013.
I. Afrianto, “Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah,” KOMPUTA J. Komput. dan Inform., vol. 1, no. 1, 2012.
A. P. Nagare, “License plate character recognition system using neural network,” Int. J. Comput. Appl., vol. 25, no. 10, pp. 36–39, 2011.
M. W. Andani, “Verifikasi Tanda Tangan Menggunakan Ekstraksi Fitur LBP dan Klasifikasi LVQ,” Publ. PSTI FT-UNRAM, 2020.
I. Yushar, I. P. N. Purnama, Sutardi, and L. B. Aksara, “Pengenalan Wajah Berbasis Perhitungan Jarak Fitur LBP Menggunakan Euclidean, Manhattan, Chi Square Distance,” Semin. Nas. APTIKOM, pp. 386–393, 2019.
B. Achmad and K. Firdausy, “Teknik Pengolahan Citra Digital Menggunakan Delphi,” Yogyakarta Ardi Publ., 2005.
T. Ojala, M. Pietikainen, and T. Maenpaa, “Multiresolution gray-scale and rotation invariant texture classification with local binary patterns,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 24, no. 7, pp. 971–987, 2002, doi: 10.1109/TPAMI.2002.1017623.
C. D. Suhendra and A. C. Saputra, “Penentuan Parameter Learning Rate Selama Pembelajaran Jaringan Syaraf Tiruan,” vol. 14, no. 2, pp. 202–212, 2020.
M. Resa, A. Yudianto, and H. Al Fatta, “Wayang dengan Algoritma Convolutional Neural Network,” no. 2, pp. 182–190, 2020.
Downloads
Published
How to Cite
Issue
Section
License
Authors who publish with Janapati agree to the following terms:- Authors retain copyright and grant the journal the right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work. (See The Effect of Open Access)