Implementasi Algoritma Random Forest Untuk Identifikasi Citra Kayu Makroskopik Dengan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM)

Ramadhan, Muhammad Ghiffaari Ilham (2024) Implementasi Algoritma Random Forest Untuk Identifikasi Citra Kayu Makroskopik Dengan Ekstraksi Fitur Gray Level Co-occurrence Matrix (GLCM). Skripsi thesis, Universitas Sangga Buana YPKP.

	Text COVER_MUHAMMAD GHIFFAARI ILHAM RAMADHAN_2113201060.pdf Download (150kB)
	Text SURAT PERNYATAAN_2113201060_MUHAMMAD GHIFFAARI ILHAM RAMADHAN.pdf Download (112kB)
	Text LEMBAR PERSETUJUAN_2113201060_MUHAMMAD GHIFFAARI ILHAM RAMADHAN.pdf Download (102kB)
	Text ABSTRAK_2113201060_MUHAMMAD GHIFFAARI ILHAM RAMADHAN.pdf Download (160kB)
	Text BAB I_2113201060_MUHAMMAD GHIFFAARI ILHAM RAMADHAN.pdf Download (167kB)
	Text FULL SKRIPSI_2113201060_MUHAMMAD GHIFFAARI ILHAM RAMADHAN.pdf Download (3MB)
	Text DAFTAR PUSTAKA_2113201060_MUHAMMAD GHIFFAARI ILHAM RAMADHAN.pdf Download (238kB)
	Text SURAT KETERANGAN HASIL CEK PLAGIARISME_2113201060_MUHAMMAD GHIFFAARI ILHAM RAMADHAN.pdf Download (136kB)

Abstract

Perkembangan teknologi yang pesat telah mendorong berbagai inovasi dalam bidang Machine Learning, Computer Vision, dan Pengolahan Citra, termasuk dalam proses identifikasi citra kayu yang menjadi kunci dalam industri kayu. Studi ini bertujuan untuk mengembangkan sistem identifikasi jenis kayu menggunakan algoritma Random Forest dan metode ekstraksi fitur Gray Level Co-occurrence Matrix (GLCM) untuk meningkatkan akurasi dan efisiensi dibandingkan dengan metode identifikasi manual yang rentan terhadap kesalahan. Terdapat 5 jenis kayu sebagai bagian dari dataset kayu yang digunakan, dengan jumlah 750 citra, di mana terdapat 150 citra mewakili masing-masing jenis citra kayu. Berdasarkan analisis hasil pelatihan dan pengujian model, model C dengan proporsi data pelatihan 90:10 menunjukkan performa terbaik dengan akurasi 81%, dibandingkan dengan Model A (70:30) dengan akurasi 74% dan model B (80:20) dengan akurasi 79%. Bagian pengujian dengan citra baru berjumlah 5 citra acak menunjukkan perbedaan kinerja yang signifikan terkait dengan probabilitas prediksi dan citra yang dikenali, di mana hasil tertinggi didapatkan oleh model C (90:10) sangat akurat secara keseluruhan dengan probabilitas tertinggi untuk sebagian besar jenis citra dengan skor probabilitas tertinggi 99% dan terendah 75%. Hasil penelitian ini menunjukkan bahwa model Random Forest dapat menjadi alat yang efektif untuk identifikasi citra jenis kayu.

Actions (login required)

View Item