Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Analisis Pengklasifikasian Berdasarkan Metode Gray Level Co-Occurrence Matrix dan Convolutional Neural Network (Studi Kasus : Sampah Daur Ulang)
Hadiarto Banjarnahor (2019) | Skripsi | Teknik Informatika , Teknik Komputer
Bagikan
Ringkasan
Meningkatnya jumlah penduduk juga meningkatkan jumlah sampah yang dihasilkan, yang memperbesar kemungkinan ditemukannya sampah yang dapat didaur ulang. Sampah yang dapat didaur ulang perlu dilakukan pemilahan agar tidak tercampur sampah lainnya. Pemilahan sampah saat ini masih kurang efektif, terbukti dengan keberadaan jenis sampah yang tidak sesuai dengan jenisnya. Untuk mengatasinya, perlu dibuatkan suatu teknologi pengelompokan sampah otomatis. Pendekatan image processing dapat digunakan untuk melakukan pengenalan suatu objek sampah. Analisis tekstur dapat digunakan untuk mengenali suatu objek berdasarkan citra teksturnya. Penelitian ini menggunakan Gray Level Co-Occurrence Matrix (GLCM) sebagai metode analisis tekstur dengan variasi gray level 4, 8, 16, 32 dan 64. Klasifikasi menggunakan Convolutional Neural Network (CNN) dengan 6 hidden layer yang terdiri dari 3 convolution layer, 2 max pooling dan fullyconnected layer. Pada penelitian ini, dilakukan analisis terhadap hasil klasifikasi dengan CNN terkait penggunaan gray level yang meningkat serta sudut orientasi pada hasil ekstraksi GLCM. Analisis menunjukkan bahwa tidak adanya pengaruh signifikan penggunaan hasil ekstraksi GLCM dengan gray level meningkat terhadap proses klasifikasi dengan menggunakan CNN. Akurasi klasifikasi tertinggi yang diperoleh yaitu sebesar 76.53%, didapatkan pada sudut orientasi 4 arah dengan fitur energy dan homogeneity. Teknik pengambilan untuk data latih dan data uji didasarkan pada nilai variansi dari tiap citra di mana akurasi terbaik didapatkan dengan variansi citra yang tersebar merata. Selain itu, penelitian dengan perangkat eksperimen yang menggunakan GPU lebih tinggi menunjukkan proses runtime yang lebih cepat. Kata kunci: gray level co-occurrence matrix, convolutional neural network, klasifikasi sampah daur ulang.
Ringkasan Alternatif
The increment of human population creates an increase in the amount of waste produced, which leads to a higher probability in finding recyclable waste. A sorting process must be done so that the recyclable waste doesn't mix with other waste. To this day, the effectiveness of the sorting process is still considered low, which can be proven by the findings of waste that is not suitable with the classification. The solution to the problem is to create an automatic waste classification technique. The image processing method is used to identify a waste object, while with the texture analysis, identification of the waste object is based on texture characteristics. In this study, Gray Level Co-Occurrence Matrix (GLCM) is used to analyze the texture, with the gray level varies from 4, 8, 16, 32, and 64. The classification of waste objects is done using Convolutional Neural Network (CNN) with 6 hidden layers consists of 3-convolution layer, which is 2-max pooling layer and 1-fully connected layer. This study analyzes the results of the waste classification with the CNN method, related to increasing gray level and the orientation angle used on the GLCM extraction results. The analysis shows that the GLCM extraction using a higher value of gray level gives insignificant impact on the CNN classification. The highest accuration obtained is 76.53%, which obtained at 4 orientation angles with energy feature and homogeneity feature. Retrieval techniques for training data and test data are based on the value of the variance of each image where the best accuracy is obtained with the uniformly spread image variance. Furthermore, the usage of GPU as the experimental device of this study generates a faster runtime process. Keywords: gray level co-occurrence matrix, convolutional neural network, recyclability trash classification.