Keywords
VGG
MobileNet
How to Cite
Abstract
Furnitur merupakan salah satu komoditas strategis bagi ekonomi Indonesia karena furnitur merupakan produk yang bernilai tambah tinggi dan memiliki daya saing global. Produksi furnitur kayu di Indonesia pada tahun mencapai 80% dari keseluruhan produksi furnitur. Untuk mengidentifikasi jenis kayu dibutuhkan seorang pakar kayu. Proses identifikasi kayu bisa ditentukan oleh beberapa faktor seperti warna, tekstur, berat dan masih banyak lagi. Identifikasi kayu bisa dilakukan dengan teknologi Computer Vision karena memiliki keuntungan meningkatkan waktu identifikasi dan mengurangi biaya pada proses Quality Control. Convolutional Neural Network (CNN) merupakan salah satu implementasi metode Deep Learning yang digunakan untuk pemrosesan citra digital. metode CNN dengan arsitektur VGG 16 dan MobileNet dipilih untuk diterapkan pada sistem identifikasi kayu Seteleah dilakukan proses pelatihan dan testing, model arsitektur MobileNet memiliki hasil akurasi senilai 96% dan proses pelatihan juga lebih cepat dibandingkan model arsitektur VGG 16 yang memiliki hasil akurasi senilai 90%
References
Salim, Zamroni., Ernawati Munadi. Info Komoditi Furnitur, https://bppp.kemendag.go.id/2017/10/Isi_BRIK_FURNITUR .pdf diakses pada 10 Maret 2020.
Gasim, 2014. Metode Identifikasi Kayu Berdasarkan Model Blok Citra Mikroskopis Penampang Lintang., Program Studi S3 Ilmu Komputer, Jurusan Ilmu Komputer dan Elektronika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Gadjah Mada. Yogyakarta.
Santosa Stefanus, Martono., Marchus Budi Utomo., Basuki Setiyo Budi. 2018. Seleksi Arah ESudut Komputasi dan FItur GLCM Pada Ekstraksi Citra Kayu Jati, Mahoni, Mindi dan Sengon. Jurnal Wahana Teknik Sipil. No. 23 Vol. 2. 77-87.
Pramuendar R.A., D.P. Prabowo., D. Pergiwati., KLatifa. 2017. Klasifikasi Jenis Kayu Menggunakan Back-Propagation Neural Network Berdasarkan Fitur Gray Level Co-Occurrence Matrix. Makalah. Dalam: Science and Engineering National Seminar 3 di Universitas PGRI Semarang, 19 Agustus.
S., Shivashankar, dan Maduri R. Kagale. 2018. Automatic Wood Classification using a Novel Color Texture Features. International Journal of Applications, No. 27. Vol 180. 0975-8887, https://www.ijcaonline.org/archives/volume180/number27/29147-2018916648 diakses pada tanggal 10 Desember 2019.
Priddy Russakovsky, Olga & Deng, J. & Su, Hao & Krause, J. & Satheesh, Sanjeev & Ma, S. Huang, Z. & Karpathy, A. & Khosla, A. & Bernstein, M.. 2015. ImageNet Large Scale Visual Recognition Challenge. Int. J. Comput. Vis. 115(2015):. 1-42.
Graupe, Daniel. 2019. Principles of Artificial Neural Network: Basic Design to Deep Learning. No. 4. Vol. 8.
LeCun, Yann., Patrick Haffiner., Leon Botton., Yoshua Bengio. 1998. Object Recognition with Gradient-Based Learning. Proceedings of the IEEE, 86(5):755-824.
Simonyan, Karen., Andrew Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556, 2015. https://arxiv. org/pdf/1409.1556. Diakses pada 1 Maret 2020
Herwanto, Ricky., Kartika Gunadi, Endang Setyati. 2020. Pengenalan Golongan Jenis Kendaraan Bermotor pada Ruas Jalan Tol Menggunkan CNN. Jurnal Infra. No. 1 Vol. 8. 196-202.
G. Howard, Andrew.,Weijun Wang., Menglong Zhu., Tobias Weyand., Bo Chen., Dmitry Kalenichenko., Hartwig Adam. MobileNets: Efficient Convolutional Neural Networks for mobile Vision Applications.arXiv:1704.04861, 2017. https://arxiv.org/pdf/1704.04861. Diakses pada 1 Maret 2020.
Stephen, Raymond., Handri Santoso. 2019. Aplikasi Convolution Neural Network Untuk Mendeteksi Jenis-jenis Sampah. Jurnal Sistem Informasi dan Telematika. No. 2. Vol. 10. 122-132.