PENERAPAN CONVOLUTIONAL NEURAL NETWORK (CNN) DALAM KLASIFIKASI KAYU GUNA BAHAN BAKU MEBEL
(1) Teknik Informatika, Universitas Duta Bangsa Surakarta
(2) Teknik Informatika, Universitas Duta Bangsa Surakarta
(3) Teknik Informatika, Universitas Duta Bangsa Surakarta
(*) Corresponding Author
Abstract
Currently, the need for furniture is increasing and developing into something more attractive so that many people are interested in it. Furniture has unique characteristics that can become the owner's identity. Furniture buying and selling transactions are also widespread among local and foreign people. Apart from the uniqueness of the furniture, the difference in material and wood quality is an important factor in determining the price of furniture. This research aims to build a machine learning model using CNN to classify good wood and bad wood through images of wood types. In this research, the Convolution Neural Network (CNN) technique and direct source interview data are used and supported by relevant secondary data. So the results of classification using a CNN model that is uniquely created can produce 85% accuracy in classifying good wood and bad wood. And it produces a precision for good wood of 0.50 and a recall of 1.00, while the precision and recall for bad wood is 0.00. Accuracy with this CNN model has its own benefits, such as being able to help users classify good wood and bad wood for furniture raw materials, besides that it can be used as a reference in developing subsequent machine learning applications.
ABSTRAK
Saat ini kebutuhan furniture semakin meningkat dan berkembang menjadi yang lebih menarik sehingga banyak peminat. Furniture memiliki keunikan yang bisa menjadikan karakteristik sebagai identitas pemiliknya. Transaksi jual beli furniture juga marak dikalangan masyarakat lokal maupun mancanegara. Selain keunikan dari furniture perbedaan bahan dari kualitas kayu menjadi faktor penting dalam menetukan harga furniture.Penelitian ini bertujuan untuk membangun model machine learning menggunakan CNN untuk mengklasifikasikan antara kayu baik dan kayu tidak baik melalui citra jenis kayu. Dalam penelitian ini, teknik Convolution Neural Network (CNN) dan dari data wawancara narasumber langsung serta didukung dengan data sekunder yang relevan. Sehingga hasil dari klasifikasi dengan model CNN yang dibuat dengan keunikan tersendiri dapat menghasilkan akurasi 85% dalam klasifikasi kayu baik dan kayu tidak baik dan menghasilkan precision kayu baik sebesar 0.50 dan recall sebesar 1.00 sedangkan hasil dari precision dan recall untuk kayu tidak baik sebesar 0.00. Akurasi dengan model CNN ini memiliki manfaat tersendiri seperti dapat membantu pengguna mengklasifikasikan antara kayu baik dan kayu tidak baik guna bahan baku mebel, selain itu dapat dijadikan acuan dalam pengembangan aplikasi machine learning berikutnya.
Keywords
Full Text:
PDFReferences
Bagaskara, W., & Pusparini Nur Nawaningtyas, I. (2024). Klasifikasi Penjadwalan Kerja Perawatan Air Conditioner (Ac) Menggunakan Algoritma Decision Tree (C4.5) Pada PT Xyz. Infotech: Journal of Technology Information, 10(1), 11–20. https://doi.org/https://doi.org/10.37365/jti.v10i1.240
Bong, R., Lubis, C., Informatika, T., Informasi, F. T., Tarumanagara, U., Letjen, J., No, S. P., & Kunci, K. (n.d.). Pengenalan Nama Model Sepatu Menggunakan Convolutional Neural Network ( Cnn ) Dengan Model Mobilenet.
Cahya, F. N., Hardi, N., Riana, D., & Hadiyanti, S. (2021). Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network (CNN). Sistemasi, 10(3), 618. https://doi.org/10.32520/stmsi.v10i3.1248
Egon, K. M. (2023). Analisis Keputusan Penumpang Dalam Menggunakan Kapal. 2(2), 121–130.
Fonda, H. (2020). Klasifikasi Batik Riau Dengan Menggunakan Convolutional Neural Networks (Cnn). Jurnal Ilmu Komputer, 9(1), 7–10. https://doi.org/10.33060/jik/2020/vol9.iss1.14
Gunawan, D., & Setiawan, H. (2022). Convolutional Neural Network dalam Citra Medis. KONSTELASI: Konvergensi Teknologi Dan Sistem Informasi, 2(2), 376–390. https://doi.org/10.24002/konstelasi.v2i2.5367
Hendriyana, H., & Yazid Hilman Maulana. (2020). Identification of Types of Wood using Convolutional Neural Network with Mobilenet Architecture. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 4(1), 70–76. https://doi.org/10.29207/resti.v4i1.1445
Madyatmadja, E. D., Kusumawati, L., Jamil, S. P., Kusumawardhana, W., Informasi, S., & Nusantara, U. B. (2021). Infotech: journal of technology information. Raden Ario Damar, 7(1), 55–62.
Muryono, T. T., Taufik, A., & Irwansyah, I. (2021). Perbandingan Algoritma K-Nearest Neighbor, Decision Tree, Dan Naive Bayes Untuk Menentukan Kelayakan Pemberian Kredit. Infotech: Journal of Technology Information, 7(1), 35–40. https://doi.org/https://doi.org/10.37365/jti.v7i1.104
Of, I., Neural, A., For, N., Students, O. F., In, I., & Fields, C. (2020). International Journal of Multi Science Implementation of Artificial Neural Network for Clusttering. 1(5), 29–33.
Risdianto, R., & Setiawan, A. P. (2018). Perancangan Mebel Multifungsi Untuk Apartemen Tipe Studio. Jurnal INTRA, 6(2), 835–839.
Sumiranto, R. A., Daniati, I. M., Tasia, A., Informatika, T., Teknik, F., Nusantara, U., & Kediri, P. (2024). Klasifikasi Tingkat Kerusakan Kayu Menggunakan Metode Convolutional Neural Network (CNN). Prosiding Seminar Nasional Teknologi Dan Sains, 3, 257–262.
TiaraSari, A., & Haryatmi, E. (2021). Penerapan Convolutional Neural Network Deep Learning dalam Pendeteksian Citra Biji Jagung Kering. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(2), 265–271. https://doi.org/10.29207/resti.v5i2.3040
DOI: https://doi.org/10.37365/jti.v10i2.282
Refbacks
- There are currently no refbacks.