Keywords
InceptionV3
klasifikasi kayu
pengolahan citra
How to Cite
Abstract
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.
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.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 M. Renhat Ade Prayogo, Danar Putra Pamungkas, Patmi Kasih