Identifikasi Varietas Kayu Menggunakan Radially Average Power Spectrum Value Dan Orde Satu
DOI:
https://doi.org/10.31598/sintechjournal.v7i3.1690Keywords:
kayu, perbaikan gambar, RAPSV, orde satu, SVMAbstract
Kayu merupakan material yang banyak dimanfaatkan dalam berbagai aspek kehidupan sehari-hari untuk kebutuhan manusia. Pengelompokan varietas kayu didasarkan beberapa parameter, diantaranya adalah sifat dan ciri-ciri struktur kayu. Kapasitas para ahli kayu untuk mengidentifikasi varietas kayu secara visual sering kali tidak akurat. Untuk mengatasi masalah ini, teknologi digunakan dalam bidang pengolahan citra digital untuk menganalisa tekstur kayu, untuk dapat mengklasifikasikannya ke dalam kelas-kelas tertentu. Penelitian ini mengusulkan penerapan cara ekstraksi atribut pada citra digital dengan menggunakan teknologi pengolahan citra digital menggunakan metode radially average power spectrum value (RAPSV) dan orde satu, yang membuat pengukuran nilai parameter untuk mengekstrak fitur dari tekstur kayu. Hasil dari parameter radially average power spectrum value (RAPSV) dan orde satu, digunakan sebagai data untuk klasifikasi varietas kayu menggunakan metode support vektor machine (SVM). Penelitian ini menggunakan 4.200 citra dengan resolusi 1000x1000 piksel. Citra dibagi dalam data latih dan data uji menggunakan 10-fold validation. Pembandingan hasil diakukan dengan memproses citra dengan tahap perbaikani citra dan yang tidak menggunakan tahap perbaikan serta mengetahui efek dari ekstraksi fitur RAPSV. Penelitian ini menunjukkan bahwa tahap baikan citra dapat memberikan kenaikan akurasi sebesar 1% sedangkan penambahan fitur RAPSV memberikan kontribusi kenaikan akurasi sebesar 18% terhadap ekstraksi fitur orde satu.
Downloads
References
E. Fajriani, Mengenal Kayu Kalo Belum Kenal, Yuk Kenalan! Deepublish, 2022.
S. Agustin, R. V. H. Ginardi, and H. Tjandrasa, “Identification of oil palm plantation in IKONOS images using radially averaged power spectrum values,” Proc. 2015 Int. Conf. Inf. Commun. Technol. Syst. ICTS 2015, vol. 1, pp. 89–94, 2016, doi: 10.1109/ICTS.2015.7379877.
R. Novitasari, P. Harsadi, and M. Hasbi, “Klasifikasi Jenis Jahe Berdasarkan Ciri Statistik Orde Satu Dari Warna Rimpang,” J. Inform. Upgris, vol. 8, no. 1, 2022, doi: 10.26877/jiu.v8i1.10012.
Y. E. Yana and N. Nafi’iyah, “Klasifikasi Jenis Pisang Berdasarkan Fitur Warna, Tekstur, Bentuk Citra Menggunakan SVM dan KNN,” Res. J. Comput. Inf. Syst. Technol. Manag., vol. 4, no. 1, p. 28, 2021, doi: 10.25273/research.v4i1.6687.
A. Jacobus, D. G. S. Ruindungan, and ..., “Penerapan Algoritma Fast Fourier Transform dan K-nearest neighbor pada Pengklasifikasian Kualitas Telur Puyuh,” J. Tek. Elektro …, vol. 8, no. 3, pp. 219–226, 2019, [Online]. Available: https://ejournal.unsrat.ac.id/index.php/elekdankom/article/view/28374%0Ahttps://ejournal.unsrat.ac.id/index.php/elekdankom/article/download/28374/27751
M. Furqan, - Sriani, and M. A. R. Tanjung, “Metode High-Pass Filter Dan Fast Fourier Transform Untuk Perbaikan Citra Telapak Tangan,” Techno.Com, vol. 20, no. 4, pp. 601–612, 2021, doi: 10.33633/tc.v20i4.5262.
N. Utami Putri and E. Redi Susanto, “Klasifikasi Jenis Kayu Menggunakan Support Vector Machine Berdasarkan Ciri Tekstur Local Binary Pattern,” CYBERNETICS, vol. 4, no. 02, pp. 93–100, 2020.
R. R. Waliyansyah and C. Fitriyah, “Perbandingan Akurasi Klasifikasi Citra Kayu Jati Menggunakan Metode Naive Bayes dan k-Nearest Neighbor (k-NN),” J. Edukasi dan Penelit. Inform., vol. 5, no. 2, p. 157, 2019, doi: 10.26418/jp.v5i2.32473.
Y. A. Prasaja, “Perbandingan Metode Glcm Dan Lbp Dalam Klasifikasi Jenis Kayu,” Indexia, vol. 4, no. 2, p. 61, 2022, doi: 10.30587/indexia.v4i2.4292.
N. M. Y. D. Rahayu, M. W. Antara Kesiman, and I. G. A. Gunadi, “Identifikasi Jenis Kayu Berdasarkan Fitur Tekstur Local Binary Pattern Menggunakan Metode Learning Vector Quantization,” J. Nas. Pendidik. Tek. Inform., vol. 10, no. 3, p. 157, 2021, doi: 10.23887/janapati.v10i3.40804.
D. W. Wibowo, D. Erwanto, and D. A. W. Kusumastutie, “Klasifikasi Jenis Kayu Menggunakan Esktrasi Fitur Gray Level Co-Occurence Matrix dan Multilayer Perceptron,” J. Nas. Tek. Elektro, vol. 10, no. 1, p. 1, 2021, doi: 10.25077/jnte.v10n1.788.2021.
I. G. Torre, J. J. Martín-Sotoca, J. C. Losada, P. López, and A. M. Tarquis, “Scaling properties of binary and greyscale images in the context of X-ray soil tomography,” Geoderma, vol. 365, p. 114205, Apr. 2020, doi: 10.1016/j.geoderma.2020.114205.
M. Witte, S. Jaspers, H. Wenck, M. Rübhausen, and F. Fischer, “Noise reduction and quantification of fiber orientations in greyscale images,” PLoS One, vol. 15, no. 1, p. e0227534, Jan. 2020, doi: 10.1371/journal.pone.0227534.
R. Takahashi, T. Matsubara, and K. Uehara, “Data Augmentation Using Random Image Cropping and Patching for Deep CNNs,” IEEE Trans. Circuits Syst. Video Technol., vol. 30, no. 9, pp. 2917–2931, Sep. 2020, doi: 10.1109/TCSVT.2019.2935128.
L. Liu et al., “Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google Earth Engine,” Remote Sens. Environ., vol. 239, p. 111624, Mar. 2020, doi: 10.1016/j.rse.2019.111624.
N. Islam et al., “Early Weed Detection Using Image Processing and Machine Learning Techniques in an Australian Chilli Farm,” Agriculture, vol. 11, no. 5, p. 387, Apr. 2021, doi: 10.3390/agriculture11050387.
I. Draganov and V. Gancheva, “Unsharp Masking with Local Adaptive Contrast Enhancement of Medical Images,” 2022, pp. 354–363. doi: 10.1007/978-981-16-3880-0_37.
K. Obert, M. Schudt, and I. Bentley, “Color Saturation: Upper and Lower Percentage Histogram Manipulation,” Am. J. Undergrad. Res., vol. 20, no. 1, pp. 59–76, Jun. 2023, doi: 10.33697/ajur.2023.080.
A. H. Barnett, J. Magland, and L. af Klinteberg, “A Parallel Nonuniform Fast Fourier Transform Library Based on an “Exponential of Semicircle" Kernel,” SIAM J. Sci. Comput., vol. 41, no. 5, pp. C479–C504, Jan. 2019, doi: 10.1137/18M120885X.
E. Rajaby and S. M. Sayedi, “A structured review of sparse fast Fourier transform algorithms,” Digit. Signal Process., vol. 123, p. 103403, Apr. 2022, doi: 10.1016/j.dsp.2022.103403.
M. Aslam et al., “Health Analysis of Transformer Winding Insulation Through Thermal Monitoring and Fast Fourier Transform (FFT) Power Spectrum,” IEEE Access, vol. 9, pp. 114207–114217, 2021, doi: 10.1109/ACCESS.2021.3104033.
M. Kircheis, D. Potts, and M. Tasche, “Nonuniform fast Fourier transforms with nonequispaced spatial and frequency data and fast sinc transforms,” Numer. Algorithms, vol. 92, no. 4, pp. 2307–2339, Apr. 2023, doi: 10.1007/s11075-022-01389-6.
M. Nixon and A. Aguado, Feature extraction and image processing for computer vision. Academic press, 2019.
R. Zebari, A. Abdulazeez, D. Zeebaree, D. Zebari, and J. Saeed, “A Comprehensive Review of Dimensionality Reduction Techniques for Feature Selection and Feature Extraction,” J. Appl. Sci. Technol. Trends, vol. 1, no. 1, pp. 56–70, May 2020, doi: 10.38094/jastt1224.
D. A. Pisner and D. M. Schnyer, “Support vector machine,” in Machine Learning, Elsevier, 2020, pp. 101–121. doi: 10.1016/B978-0-12-815739-8.00006-7.
C. Campbell and Y. Ying, Learning with support vector machines. Springer Nature, 2022.
O. Okwuashi and C. E. Ndehedehe, “Deep support vector machine for hyperspectral image classification,” Pattern Recognit., vol. 103, p. 107298, Jul. 2020, doi: 10.1016/j.patcog.2020.107298.
M. Sheykhmousa, M. Mahdianpari, H. Ghanbari, F. Mohammadimanesh, P. Ghamisi, and S. Homayouni, “Support Vector Machine Versus Random Forest for Remote Sensing Image Classification: A Meta-Analysis and Systematic Review,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 13, pp. 6308–6325, 2020, doi: 10.1109/JSTARS.2020.3026724.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Arya Mandiri, Soffiana Agustin
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright in each article belongs to the author.
- The authors admit that SINTECH Journal as a publisher who published the first time under
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) License. - Authors can include writing separately, regulate distribution of non-ekskulif of manuscripts that have been published in this journal into another version (eg sent to respository institution author, publication into a book, etc.), by recognizing that the manuscripts have been published for the first time in SINTECH Journal
1.png)
