Implementasi algoritma Convolutional Neural Network pada klasifikasi jenis kayu industri mebel

Agustin, Peny (2024) Implementasi algoritma Convolutional Neural Network pada klasifikasi jenis kayu industri mebel. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

[img]
Preview
Text (COVER)
1_cover.pdf

Download (38kB) | Preview
[img]
Preview
Text (ABSTRAK)
2_abstrak.pdf

Download (135kB) | Preview
[img]
Preview
Text (DAFTAR ISI)
3_daftarisi.pdf

Download (226kB) | Preview
[img]
Preview
Text (BAB I)
4_bab1.pdf

Download (177kB) | Preview
[img] Text (BAB II)
5_bab2.pdf
Restricted to Registered users only

Download (395kB) | Request a copy
[img] Text (BAB III)
6_bab3.pdf
Restricted to Registered users only

Download (990kB) | Request a copy
[img] Text (BAB IV)
7_bab4.pdf
Restricted to Registered users only

Download (772kB) | Request a copy
[img] Text (BAB V)
8_bab5.pdf
Restricted to Registered users only

Download (21kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
9_daftarpustaka.pdf
Restricted to Registered users only

Download (141kB) | Request a copy

Abstract

Kayu merupakan hasil kekayaan alam yang memiliki peranan besar dalam kehidupan sehari hari, mulai dari kebutuhan furniture rumah tangga, industri, bangunan maupun bahan kertas. Jumlah jenis kayu industri yang ada di Jawa Barat menurut BPS Provinsi Jawa Barat 2020 terdiri dari 25 jenis, dengan tingkat penjualan kayu jati dan mahoni memiliki tingkat volume penjualan tertinggi dibanding kayu lainnya. Jenis kayu keduanya memiliki serat yang hampir mirip walaupun kekuatannya berbeda, sehingga dibutuhkan sistem untuk mengklasifikasi jenis kayu jati dan mahoni tersebut. Sistem klasifikasi jenis kayu jati dan mahoni menggunakan algoritma Convolutional Neural Network dengan arsitektur ResNet50v2. Tujuan dari sistem ini, yakni mengaplikasikan algoritma Convolutional Neural Network (CNN) pada klasifikasi jenis kayu jati dan mahoni. Proses yang dilakukan dalam sistem klasifikasi ini ada beberapa tahap yaitu pengumpulan data, data augmentasi, pemisahan data, dan image preprocessing. Tahap selanjutnya yakni pelatihan model dengan pengujian confusion matrix menggunakan variasi nilai epoch. Dari hasil pengujian didapatkan nilai akurasi tertinggi sebesar 93% dengan nilai epoch 150 menggunakan 3.200 data training dan 800 data testing. Dengan menggunakan algoritma CNN arsitektur ResNet50v2 metode ini cukup optimal dalam pengujian.

Item Type: Thesis (Sarjana)
Uncontrolled Keywords: Klasifikasi; Deep Learning; Convolutional Neural Network; Tekstur Kayu; ResNet50v2
Subjects: Data Processing, Computer Science
Operations, Archieves, Information Centers > Classification of Specific Subject
Analysis, Theory of Functions
Divisions: Fakultas Sains dan Teknologi > Program Studi Teknik Informatika
Depositing User: Peny Agustin
Date Deposited: 08 Aug 2024 07:50
Last Modified: 08 Aug 2024 07:50
URI: https://digilib.uinsgd.ac.id/id/eprint/93327

Actions (login required)

View Item View Item