Analisis Performansi Sistem Pendeteksi Kualitas Kayu Jati Menggunakan Pengolahan Citra Dengan Metode Histogram Of Oriented Gradients Dan Support Vector Machine

Abstract

Abstrak Jati merupakan salah satu jenis pohon yang memiliki banyak fungsi serta kegunaan. Kayu jati memiliki kualitas yang sangat tinggi untuk digunakan sebagai bahan baku pembuatan perabotan rumah seperti meja, kursi, lemari, dan lain-lain. Tetapi masih banyak pengusaha mebel yang sering keliru terhadap penilaian kualitas kayu jati. Hal tersebut mengakibatkan kurangnya kualitas kayu jati yang digunakan sebagai bahan baku untuk membuat peralatan rumah atau untuk kebutuhan bangunan. Pada Tugas Akhir ini telah dilakukan penelitian kualitas kayu jati menggunakan metode Histogram of Oriented Gradients sebagai metode ekstraksi ciri dan metode Support Vector Machine sebagai metode klasifikasi. Metode Histogram of Oriented Gradients bertujuan untuk menghitung nilai gradien di daerah tertentu dari suatu objek. Kemudian diklasifikasi menggunakan Support Vector Machine karena dapat menemukan fungsi pemisah (hyperplane) yang bertujuan untuk memisahkan objek berbeda dengan klasifikasi yang berbeda. Dari hasil pengujian diperoleh akurasi terbaik sebesar 96,67%. Akurasi diperoleh dari pengujian 144 citra menggunakan metode Histogram of Oriented Gradients pada cell size 20×20, block size 8×8, bin numbers 9, jenis kernel Support Vector Machine polynomial dan multiclass One Against All. Kata Kunci: Kayu Jati, Histogram of Oriented Gradients, Support vector Machine Abstract Teak is one type of tree that has many functions as well as usability. Teak Wood has a very high quality to be used as raw material for home furnishing such as tables, chairs, cabinets, and others. But there are still many furniture entrepreneur who often mistakenly to the quality valuation of teak wood. This resulted in lack of teak wood quality used as raw material to make home appliances or for building needs. The final project studies the quality of teak using the Histogram of Oriented Gradients method as a feature extraction method and the Support Vector Machine method as a classification method. The Histogram of Oriented Gradients method aims to calculate gradient values in a particular area of an object. The classification method uses Support Vector Machine because it can find a hyperplane function that aims to separate different objects with different classifications. From the test results obtained the best accuracy of 96,67%. Accuracy was obtained from 144 test images using Histogram of Oriented Gradients in cell size 20×20, block size 8×8, bin numbers 9, polymonial Support Vector Machine kernel types and One Against All multiclass. Keywords: Teak Wood¸ Histogram of Oriented Gradients, Support Vector Machine