Penerapan Metode Convotutional Neural Network Untuk Klasifikasi Jenis Kayu Menggunakan Inceptionv3
DOI:
https://doi.org/10.29407/vjzctn17Abstract
Indonesia memiliki kekayaan jenis kayu yang sangat beragam, namun proses identifikasi jenis kayu secara manual sering kali menyulitkan karena kemiripan tekstur antar jenis kayu serta keterbatasan pengetahuan masyarakat umum. Penelitian ini bertujuan untuk merancang sistem klasifikasi otomatis jenis kayu berbasis web dengan menggunakan metode Convolutional Neural Network (CNN) dan arsitektur InceptionV3. Empat jenis kayu yang diklasifikasikan adalah akasia, glugu, jati, dan mahoni. Data diperoleh dari citra serat kayu yang diambil menggunakan kamera makro dan melalui tahap pre-processing seperti normalisasi, pelabelan, dan resize. Model CNN dilatih menggunakan teknik transfer learning dengan bobot dari ImageNet. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan gambar kayu dengan akurasi hingga 97,5% pada data validasi. Sistem ini mampu mengenali pola tekstur dengan baik dan dapat membantu proses identifikasi kayu secara otomatis, cepat, dan akurat. Hasil ini menunjukkan bahwa CNN InceptionV3 efektif digunakan dalam klasifikasi citra tekstur kayu.
Keywords:
CNN, InceptionV3, klasifikasi kayu, pengolahan citra##plugins.themes.default.displayStats.downloads##
References
[1] L. N. Raharjo, “Implementasi Algoritma Backpropagation Untuk Pengenalan Jenis Kayu,” Katalog.Ukdw.Ac.Id, 2019.
[2] D. W. Wibowo, D. Erwanto, and D. A. W. Kusumastutie, “Klasifikasi Jenis Kayu Menggunakan Esktrasi Fitur Gray Level Co-Occurence Matrix dan Multilayer Perceptron,” J. Nas. Tek. Elektro, vol. 10, no. 1, p. 1, 2021, doi: 10.25077/jnte.v10n1.788.2021.
[3] N. F. Mustamin, Y. Sari, and H. Khatimi, “Klasifikasi Kualitas Kayu Kelapa Menggunakan Arsitektur Cnn,” Klik - Kumpul. J. Ilmu Komput., vol. 8, no. 1, p. 49, 2021, doi: 10.20527/klik.v8i1.370.
[4] F. AKHYAR, L. NOVAMIZANTI, and T. RIANTIARNI, “Sistem Inspeksi Cacat pada Permukaan Kayu menggunakan Model Deteksi Obyek YOLOv5,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 10, no. 4, p. 990, 2022, doi: 10.26760/elkomika.v10i4.990.
[5] N. D. Miranda, L. Novamizanti, and S. Rizal, “Convolutional Neural Network Pada Klasifikasi Sidik Jari Menggunakan Resnet-50,” J. Tek. Inform., vol. 1, no. 2, pp. 61–68, 2020, doi: 10.20884/1.jutif.2020.1.2.18.
[6] C. Eva Sari Nainggolan, M. Nasir, Fatoni, and D. Udariansyah, “Perbandingan Klasifikasi Jenis Sampah Menggunakan Convolutional Neural Network Dengan Arsitektur ResNet18 dan ResNet50,” CSRID J., vol. 16, no. 1, p. 76, 2024, [Online]. Available: https://www.doi.org/10.22303/csrid.1.1.2022.01-10
[7] L. Trihardianingsih, A. Sunyoto, and T. Hidayat, “Classification of Tea Leaf Diseases Based on ResNet-50 and Inception V3,” Sinkron, vol. 8, no. 3, pp. 1564–1573, 2023, doi: 10.33395/sinkron.v8i3.12604.
[8] A. M. Tama and R. C. N. Santi, “Klasifikasi Jenis Tanaman Hias Menggunakan Metode Convolutional Neural Network (CNN),” INTECOMS J. Inf. Technol. Comput. Sci., vol. 6, no. 2, pp. 764–770, 2023, doi: 10.31539/intecoms.v6i2.7002.
[9] E. N. Arrofiqoh and H. Harintaka, “Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi,” Geomatika, vol. 24, no. 2, p. 61, 2018, doi: 10.24895/jig.2018.24-2.810.
[10] Y. Arti and A. M. Arymurthy, “Face Spoofing Detection using Inception-v3 on RGB Modal and Depth Modal,” J. Ilmu Komput. dan Inf., vol. 16, no. 1, pp. 47–57, 2023, doi: 10.21609/jiki.v16i1.1100.
[11] A. Andrew and H. Santoso, “Compare VGG19, ResNet50, Inception-V3 for Review Food Rating,” SinkrOn, vol. 7, no. 2, pp. 845–494, 2022, doi: 10.33395/sinkron.v7i2.11383.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 M. Renhat Ade Prayogo, Danar Putra Pamungkas, Patmi Kasih
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License 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.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
