39 BAB 6 SIMPULAN DAN SARAN 6.1 Simpulan Dari penelitian yang telah dilakukan hingga mendapatkan hasil yang cukup memuaskan, maka ada beberapa kesimpulan yang dapat peneliti berikan, 1. Teknik ekstraksi ciri dari citra dengan mengambil unsur RGB yaitu warna merah (R), warna hijau (G) da n warna biru (B) dari citra RGB, dan Enam unsur dari citra grayscale yaitu entropy, kontras, energi, homogenitas, level, dan standar deviasi, mampu mengidentifikasi jenis kayu dengan sangat baik. 2. Data masukan yang bersumber dari unsur RGB dan skala keabuan mampu menekan waktu pelatihan dan waktu uji. 3. Analisa tekstur dari Haralic ditambah lima unsur lainnya menjadikan arsitektur JST menjadi lebih sederhana. 4. Teknik praproses, tanpa praproses, gelombang singkat (wavelet), deteksi tepi (edge detection), tidak cocok digunakan pada penelitian ini. 6.2 Saran Beberapa saran yang dianggap cukup penting bagi peneliti selanjutnya, adalah, Perlu diperbanyak jumlah jenis kayu yang akan diidentifikasi, sehingga semakin terlihat kehandalan model yang dirancang. Penting untuk diperhatikan mengenai tingkat kekeringan kayu saat di pindai. Begitupun dengan pelatihan perlu diperbanyak jumlah citranya. Selain itu dari segi alat, perlu dicoba dengan alat pindai dari merk dan tipe lain, selain yang digunakan pada penelitian ini, sehingga akan tampak pengaruh alat yang digunakan dengan tingkat generalisasi yang dihasilkan. Untuk mempermudah pengujian, maka perlunya dibuat suatu program aplikasi.
40 DAFTAR PUSTAKA Bond B. and Hamner P. Wood Identification for Hardwood and Soft wood Species Native to Tennese. http://www.utextension.utk.edu/ Burrus, C.S. Gopinath R.A., Guo, H. 1998, Introduction to Wavelets and Wavelet Transforms A Primer, International Edition, Prentice-Hall International, Inc. Fausett, L. 1994, Fundamentals Of Neural Network Architectures : Algorithm and Applications, Prectice-Hall, Inc. Florensa Rosani Br Purba, 2005. Rekayasa Sistem Neuro-Fuzzy untuk Identifikasi Jenis Kayu Bangunan dan Furniture. Bogor : Sekolah Pasca Sarjana Institut Pertanian Bogor. Gonzalez R.C., Wood, R.E. 2002, Digital Image Processing, Second Edition, Prentice Hall, Inc. Haralick, RM., K. Shanmugam and Itshak Dinstein. 1973, Textural Features For Image Classification, IEEE Transaction On System, Man and Cybernetics. Vol 3, No. 6. Jain, Ramesh. 1995,Machine Vision, McGraw-ill. Mandang, Y.L. dan Pandit, I.K.N. 2002. Seri Manual: Pedoman Identifikasi Jenis Kayu Lapangan. Bogor: PROSEA Indonesia. Mathwork Inc., 1999. Neural Network Toolbox for Use With Matlab. The Mathwork Inc. Natick, USA. Rinaldi Munir. 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika. Sri Kusumadewi, 2003. Artificial Intellegence: Teknik dan Aplikasinya. Yogyakarta: Penerbit Graha Ilmu. Suta Wijaya, G.P. dan Kanata B. Pengenalan Citra Sidik Jari Berbasis Transformasi Wavelet dan Jaringan Syaraf Tiruan. Jurnal Teknik Elektro Vol.4, No.1, Maret 2004:46 52. Fakultas Teknik, Jurusan Teknik Elektro, Universitas Mataram. Tomas Sri Widodo. 2005. Sistem Neuro Fuzzy untuk Pengolahan Informasi, Pemodelan, dan Kendali. Yogyakarta : Graha Ilmu.
LAMPIRAN 41
42 Lampiran 1 Pengambilan unsur -unsur citra. Baca citra k = imread('img.pcx'); Contoh baca image untuk kayu jabon tipe 1 citra ke-3. >> k = imread('jb1_3.pcx'); Ambil RGB dari citra asli rgb = mean(mean(k)); R = rgb(:,:,1); G = rgb(:,:,2); B = rgb(:,:,3); Contoh ambil RGB dari contoh diatas. >> rgb = mean(mean(k)) rgb(:,:,1) = 198.0804 rgb(:,:,2) = 163.6774 rgb(:,:,3) = 139.4952 Pengubahan dari citra RGB ke citra skala keabuan adalah melalui Matlab. Mengubah ke skala keabuan gl = rgb2gray(k); Ambil standar deviasi Contoh: std = std2(gl); >> std = std2(gl) std = 38.2551 Ambil treshold (level) Contoh : level = graythresh(gl); >> level = graythresh(gl) level = 0.4373 Ambil entropy Contoh : en = entropy(gl); >> en = entropy(gl) en = 4.5964
43 Ambil kontras, homogenity, energy Contoh : glcm = graycomatrix(gl); che = graycoprops(glcm,{'contrast', >> glcm = graycomatrix(gl) 'homogeneity','energy'}); >> che = graycoprops(glcm,{'contrast', 'homogeneity','energy'}) che = Contrast: 0.6557 Energy: 0.2246 Homogeneity: 0.8055 Contoh untuk citra sembarang ukuran. >> k = imread('r_jb6.pcx'); >> size(k) ans = 424 565 3 >> rgb = mean(mean(k)) rgb(:,:,1) = 184.2702 rgb(:,:,2) = 146.1262 rgb(:,:,3) = 120.6242 >> gl = rgb2gray(k); >> size(gl) ans = 424 565 >> std = std2(gl) std = 34.1207 >> level = graythresh(gl) level = 0.3784 >> en = entropy(gl) en = 4.2379 >> glcm = graycomatrix(gl) >> che = graycoprops(glcm,{'contrast', 'homogeneity','energy'}) che = Contrast: 0.8292 Energy: 0.2282 Homogeneity: 0.8056
Lampiran 2 Tabel jadwal penelitian No. Kegiatan Agst-05 Sep-05 Okt-05 Nov-05 Des-05 Jan-06 Feb-06 Mar-06 Apr-06 Mei-06 Jun-06 1 Pengajuan sinopsis 2 Pengajuan judul 3 Pengajuan proposal 4 Sidang komisi I 5 Revisi draf I 6 Kolokium 7 Pengambilan gambar 8 Pemrosesan citra 9 Pembuatan model 10 Penyusunan tesis 11 Sidang komisi II 12 Revisi II 13 Seminar 14 Sidang akhir 15 Administrasi akhir
45 Lampiran 3 Perintah Matlab untuk pembangunan jaringan sampai pelatihan. net1=newff(minmax(latih),[18,5], {'logsig','logsig'},'traincgp'); init(net1); net1.trainparam.epochs=2800; net1.trainparam.goal=1e-5; net1.trainparam.lr=0.1; net1.trainparam.mc=0.5; net1train = train(net1, latih,target);
46 Lampiran 4 Gambar proses pembelajaran pada pembesaran tipe 1 Hidden Layer MSE 1e-7 MSE 1e-12 9 18 24 36
47 Lampiran 5 Gambar proses pembelajaran pada pembesaran tipe 2 Hidden Layer MSE 1e-7 MSE 1e-12 9 18 24 36
48 Lampiran 6 Gambar proses pembelajaran pada pembesaran tipe 3 Hidden Layer MSE 1e-7 MSE 1e-12 9 18 24 36
49 Lampiran 7 Gambar proses pembelajaran pada pembesaran tipe 4 Hidden Layer MSE 1e-7 MSE 1e-12 9 18 24 36
50 Lampiran 8 Gambar proses pembelajaran pada pembesaran tipe 5 Hidden Layer MSE 1e-7 MSE 1e-12 9 18 24 36
51 Lampiran 9 Gambar proses pembelajaran pada pembesaran tipe 6 Hidden Layer MSE 1e-7 MSE 1e-12 9 18 24 36
52 Lampiran 10 Gambar proses pembelajaran pada pembesaran tipe 7 Hidden Layer MSE 1e-7 MSE 1e-12 9 18 24 36