Sistem Klasifikasi Kualitas Kayu Jati Berdasarkan Jenis Tekstur Dengan Jaringan Syaraf Tiruan Menggunakan Gray-level-co-occurence Matrix
Abstract
Abstrak
Kayu jati memiliki karakteristik akan kekuatan yang dimilikinya dalam ketahanan berbagai
perubahan cuaca. Kayu jenis ini banyak dimanfaatkan dalam keperluan rumah tangga atau kebutuhan
perindustrian lainnya. Selain itu memiliki karakter tekstur dan serat yang menjadi ciri khas tersendiri.
Secara kasat mata mungkin akan sulit membedakan jenis kualitas kayu jati ini. Citra kayu dapat
dibedakan dengan jenis tekstur serat. Identifikasi ini dapat dilakukan dengan proses analisis citra kayu,
pemrosesan citra, identifikasi ciri, dan kemudian pengklasifikasian. Identifikasi ciri ini menggunakan
Gray-level-co-occurrence(GLCM) kemudian melakukan klasifikasi degan jaringan syaraf tiruan. Metode
ini digunakan untuk membantu sistem melakukan pengenalan pola tekstur serat melalui nilai kontras,
korelasi, homogenitas dan energy. Keluaran yang dihasilkan memiliki akurasi sebesar 98,3%. Dari 60
data yang diujikan pada sistem hanya terdapat 2 kesalahan antara data asli dan data hasil pengujian.
Kata kunci: Identifikasi kualitas kayu jati, Gray Level Coocurence Matrix, Jaringan Syaraf Tiruan.
Jaringsn Syaraf Tiruan propagasi balik
Abstract
Teak having the characteristics of the property in the resistance of a variety of climate change.
This type of wood commonly used in domestic use or need other industry. Besides having the character
texture and fiber is typical of its own. In naked eyes may be hard to differentiate teak this kind of the
quality. The image of wood can be distinguished by a kind of texture fibers. This can be done by
identification image analysis wood, image processing, the identification, and then classification. It uses the
identification gray-level-co-occurrence ( glcm ) classification in the artificial neural network. This method
used to help the system did pattern recognition texture through the value of the contrast, correlation,
homogeneity and energy. Output has produced by 98,3% accuracy. From 60 data to be tested in the
system only have 2 error of the data between real data and the result og testing
Keywords: identification teak quality, Gray Level Co-Occurrence Matrix, Artificial Neural Network,
Artificial Neural Network Backpropagataiom