Sukrisdyanto, Okta Dhirga (2019) Klasifikasi Kekuatan Kayu Berdasarkan Warna dan Tekstur Citra Menggunakan Metode KNN. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
07111750067015-Master_Thesis.pdf Download (7MB) | Preview |
Abstract
Salah satu faktor terpenting dalam menentukan peruntukan olahan kayu adalah dengan mengetahui tingkat kekuatannya. Sebagai contoh, khusus untuk pemanfaatan kayu dalam konstruksi/bangunan disyaratkan kayu harus kuat, keras, berukuran besar dan awet. Akan sangat berbahaya, jika kayu yang dipilih tidak sesuai dengan spesifikasi yang telah ditentukan di atas. Selama ini, kekuatan kayu diukur menggunakan uji laboratorium yang relatif mahal baik untuk beli maupun sewa, serta bersifat merusak kayu uji. Alternatif yang bisa digunakan untuk menentukan tingkat kekuatan kayu adalah dengan mengamati karakteristik kayu menggunakan mata telanjang. Namun hal ini juga tidaklah mudah karena harus dilakukan oleh ahli kayu yang benar-benar hafal dan paham sifat karakteristik dari tiap kelas kayu. Oleh karena itu diperlukan suatu metode berbasis pengolahan citra yang dapat mempermudah mengidentifikasi kekuatan kayu dengan mudah, murah dan tidak merusak kayu uji. Obyek yang digunakan dalam penelitian ini yaitu 7 (tujuh) jenis kayu yang terdiri dari: sengon laut (Paraserianthes falcataria), sengon tekik (Paraserianthes falcataria), trembesi (Samanea Saman), waru (Hibiscus tiliaceus), mahoni (Swietenia mahagoni), jati (Tectona grandis), dan akasia (Acacia mangium). Berdasarkan hasil pengukuran, sengon laut dan sengon tekek termasuk Kelas IV, trembesi dan waru termasuk Kelas III, sedangkan mahoni, jati dan akasia termasuk Kelas II. Kayu sengon laut merupakan kayu yang paling lemah karena hanya memiliki berat jenis 0,35. Sedangkan akasia merupakan kayu yang terkuat dengan berat jenis 0,74. Parameter yang digunakan untuk menentukan kekuatan kayu berbasis pengolahan citra adalah warna dan tekstur kayu. Penelitian ini menggunakan metode ekstraksi fitur berupa nilai rerata histogram dari tiap kanal RGB dan nilai statisik dari metode Gray-Level Co-Occurrence Matrix (GLCM). Metode yang digunakan untuk seleksi fitur adalah Recursive Feature Elimination Cross Validation (RFECV). Sedangkan untuk klasifikasi menggunakan lima algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN), Linear Discriminant Analysis (LDA), Classification and Regression Tree (CART), Random Forest (RF), dan Support Vector Machine (SVM). Hasil dari penelitian ini, performa tertinggi didapatkan dengan metode KNN dengan akurasi mencapai 95%, precision sebesar 95%, recall sebesar 94%, f1-score sebesar 94% dan nilai AUC sebesar 98%. Meskipun di bawah performa KNN, performa keempat algoritma yang lain juga tidak buruk karena nilai rata-rata akurasi masih di atas 85%. Dengan hasil klasifikasi yang cukup bagus, metode ini bisa digunakan sebagai alternatif dalam menentukan tingkat kekuatan kayu.
====================================================================================================================================
One of the most important factors for deciding the use of wood products is knowing its strength class. For example, the use of wood in building construction must be strong, hard, big and durable. It will be very dangerous, if the selected wood is not in accordance with the specifications above. So far, the wood strength has been measured using relatively expensive laboratory tests both for purchase and rent. In addition, this test has also damaged the test wood. An alternative method that can be used to determine the strength class of woods is to observe their characteristics using the naked eye. However, this is also a tough challenge because it must be done by wood experts who truly memorize and understand the characteristics of each wood class. Therefore, an image processing method is needed to identify the strength of wood easily, cheaply and not to damage test wood. The object of this study consisted of seven types of wood: sengon laut (Paraserianthes falcataria), sengon tekik (Paraserianthes falcataria), trembesi (Samanea Saman), waru (Hibiscus tiliaceus), mahoni (Swietenia mahagoni), jati (Tectona grandis) and akasia (Acacia mangium). Based on the measurement results: sengon laut and sengon tekek were Class IV, trembesi and waru were Class III, while mahoni, jati and akasia where Class II. Sengon laut is the weakest wood because it only has a specific gravity of 0.35. Whereas akasia is the strongest wood with a specific gravity of 0.74. The parameters used to determine the strength of wood based on image processing are the RGB color and texture of the wood image. This study uses two feature extraction methods, the average RGB histogram value for each color channel and the static characteristics of the Gray-Level Co-Occurrence Matrix (GLCM) method. The methods used for feature selection are Recursive Feature Elimination and Cross Validation (RFECV). While for data classification we use five algorithms: K-Nearest Neighbor (KNN), Linear Discriminant Analysis (LDA), Classification and Regression Tree (CART), Random Forest (RF), dan Support Vector Machine (SVM). The results of this study, the highest performance was obtained by the KNN method with an accuracy of 95%, precision at 95%, recall 94%, f1 score 94% and AUC value 98%.
Although below the KNN performance, the performances of the other four algorithms were also not bad because the average values of accuracy were still above 85%. With a fairly good classification result, this method can be used as an alternative in determining the strength class of wood.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | classification, wood strength, image processing, KNN, GLCM |
| Subjects: | T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing. |
| Divisions: | Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis |
| Depositing User: | Okta Dhirga Sukrisdyanto |
| Date Deposited: | 23 Jul 2026 02:01 |
| Last Modified: | 23 Jul 2026 02:01 |
| URI: | http://repository.its.ac.id/id/eprint/65105 |
Actions (login required)
 |
View Item |