Agustin, Peny (2024) Implementasi algoritma Convolutional Neural Network pada klasifikasi jenis kayu industri mebel. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf Download (38kB) | Preview |
|
|
Text (ABSTRAK)
2_abstrak.pdf Download (135kB) | Preview |
|
|
Text (DAFTAR ISI)
3_daftarisi.pdf Download (226kB) | Preview |
|
|
Text (BAB I)
4_bab1.pdf Download (177kB) | Preview |
|
Text (BAB II)
5_bab2.pdf Restricted to Registered users only Download (395kB) | Request a copy |
||
Text (BAB III)
6_bab3.pdf Restricted to Registered users only Download (990kB) | Request a copy |
||
Text (BAB IV)
7_bab4.pdf Restricted to Registered users only Download (772kB) | Request a copy |
||
Text (BAB V)
8_bab5.pdf Restricted to Registered users only Download (21kB) | Request a copy |
||
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 |