PENERAPAN METODE K-NEAREST NEIGHBOR DAN EKSTRAKSI CIRI GRAY LEVEL CO-OCCURRENCE MATRIX UNTUK MENGKLASIFIKASI JENIS KAYU JATI JAWA TENGAH

Ramadhana, Raynicka (2024) PENERAPAN METODE K-NEAREST NEIGHBOR DAN EKSTRAKSI CIRI GRAY LEVEL CO-OCCURRENCE MATRIX UNTUK MENGKLASIFIKASI JENIS KAYU JATI JAWA TENGAH. Other thesis, UPN "Veteran" Yogyakarta.

	Text COVER_RAYNICKA RAMADHANA PADMA KARTA NEGARA_123200150.pdf Download (144kB)
	Text ABSTRAK_RAYNICKA RAMADHANA PADMA KARTA NEGARA_123200150.pdf Download (139kB)
	Text LEMBAR PENGESAHAN PEMBIMBING_RAYNICKA RAMADHANA PADMA KARTA NEGARA_123200150.pdf Download (238kB)
	Text LEMBAR PENGESAHAN PENGUJI_RAYNICKA RAMADHANA PADMA KARTA NEGARA_123200150.pdf Download (207kB)
	Text DAFTAR ISI_RAYNICKA RAMADHANA PADMA KARTA NEGARA_123200150.pdf Download (147kB)
	Text DAFTAR PUSTAKA_RAYNICKA RAMADHANA PADMA KARTA NEGARA_123200150.pdf Download (205kB)
	Text SKRIPSI FULLTEXT_RAYNICKA RAMADHANA PADMA KARTA NEGARA_123200150.pdf Restricted to Repository staff only Download (4MB)

Abstract

Klasifikasi jenis kayu sering kali menjadi tantangan karena kemiripan visual antarjenisnya.
Banyak metode telah digunakan untuk membedakan kayu berdasarkan karakteristiknya. Salah satu
pendekatannya yaitu pemanfaatan teknik pengolahan citra dan klasifikasi berbasis machine learning.
Dengan metode ini, analisis tekstur kayu dapat dilakukan secara objektif, mengurangi
ketergantungan pada pengamatan manusia yang rentan terhadap subjektivitas dan kesalahan.
Namun, masih diperlukan evaluasi terhadap performa metode yang digunakan agar dapat dipastikan
bahwa pendekatan ini benar-benar efektif dalam mengidentifikasi jenis kayu jati secara akurat.
Untuk mengatasi permasalahan tersebut, penelitian ini menggunakan metode klasifikasi
berbasis pengolahan citra untuk mengidentifikasi jenis kayu jati dengan pendekatan Gray Level Co
occurrence Matrix (GLCM) dan algoritma K-Nearest Neighbor (K-NN). GLCM digunakan untuk
mengekstraksi fitur tekstur dari citra kayu, sedangkan K-NN digunakan sebagai algoritma
klasifikasi. Pengujian dilakukan dengan nilai parameter K=1,3,5, dan 7 karena bilangan ganjil dapat
menghindari ambiguitas dalam klasifikasi serta memberikan keseimbangan antara sensitivitas dan
generalisasi. Selain itu, augmentasi data diterapkan melalui teknik rotasi, pencerminan, dan
penyesuaian ukuran citra guna meningkatkan variasi dataset serta memastikan model lebih robust
terhadap perubahan orientasi dan skala citra uji.
Hasil pengujian menunjukkan bahwa algoritma K-NN dengan nilai K=5 memberikan
performa akurasi tertinggi sebesar 95,2% dengan sudut terbaik GLCM 135°. Hal ini menunjukkan
bahwa metode yang digunakan sangat efektif dalam mengklasifikasikan jenis kayu jati secara akurat.
Keberhasilan ini didukung oleh kombinasi teknik ekstraksi fitur berbasis tekstur dan augmentasi
data yang memperkaya variasi pola citra, sehingga model tetap mampu mengenali karakteristik kayu
dengan baik meskipun terjadi perubahan orientasi atau skala pada citra uji. Dengan demikian,
penelitian ini membuktikan bahwa pendekatan berbasis GLCM dan K-NN dapat menjadi solusi yang
andal dalam mengidentifikasi jenis kayu jati, serta menunjukkan bahwa performa algoritma tetap
stabil dengan nilai akurasi tertinggi pada K=5.
Kata kunci : klasifikasi; Kayu Jati; K-Nearest Neighbor; Gray Level Co-occurrence Matrix

Item Type:	Thesis (Other)
Uncontrolled Keywords:	klasifikasi; Kayu Jati; K-Nearest Neighbor; Gray Level Co-occurrence Matrix
Subjek:	T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	x. Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Indah Lestari
Date Deposited:	11 Apr 2025 02:00
Last Modified:	11 Apr 2025 02:00
URI:	http://eprints.upnyk.ac.id/id/eprint/42329

Actions (login required)

View Item