Perbandingan Cacat Ubin Keramik dengan Metode K-Nearest Neighbor dan Support Vector Machine

Authors

  • Riza Alamsyah Budi Luhur University
  • Iman Permana Budi Luhur University
  • Maharani Siti Aulieza Budi Luhur University

DOI:

https://doi.org/10.33633/tc.v22i4.8897

Keywords:

KNN, SVM, Ubin Keramik

Abstract

Penentuan kualitas ubin keramik sudah dilakukan secara otomatis dalam beberapa tahun terakhir. Kendala saat penentuan ubin keramik bercacat dapat berpengaruh terhadap penurunan kualitas produk akhir. Isu yang menjadi fokus dalam penelitian yaitu perbandingan metode antara KNN dengan SVM untuk mendeteksi cacat pada ubin keramik untuk mencapai hasil yang lebih akurat. Untuk mengatasi isu ini, proses yang dilakukan meliputi pengumpulan data gambar dari ubin keramik, yang kemudian diikuti oleh tahap preprocessing dan ekstraksi fitur berdasarkan tekstur. Data gambar tersebut kemudian diklasifikasikan dengan metode KNN dan SVM. Temuan dari penelitian ini menunjukkan bahwa pengklasifikasian dengan metode KNN pada k = 3 mampu memberikan hasil yang lebih unggul, yaitu mencapai akurasi 98.947%, sedangkan pengklasifikasian dengan metode SVM hanya mencapai akurasi 85.263%.

References

D. Nazelliana dan P. Widodo, “Deteksi Cacat Ubin Keramik Dengan Metode Jaringa Saraf Tiruan dan Algoritma Backpropagtion,” Fakt. Exacta, vol. 7, no. 2, pp. 154–164, 2014.

K. Ragab dan N. Alsharay, “Developing Parallel Cracks and Spots Ceramic Defect Detection and Classification Algorithm using CUDA,” in 2017 IEEE 13th International Symposium on Autonomous Decentralized System (ISADS), 2017, pp. 255–261.

R. Gonydjaja, Bertalya dan T. M. Kusuma, “Rectangularity Defect Detection for Ceramic Tile Using Morphological Techniques,” ARPN J. Eng. Appl. Sci. 2014, vol. 9, no. 11, pp. 2052–2056, 2014.

K. Ragab dan N. Alsharay, “An Efficient Defect Classification Algorithm for Ceramic Tiles,” in ACIIDS 2017 : Advanced Topics in Intelligent Information and Database Systems, 2017, vol. 710, pp. 235–247.

S. H. Hanzaei dan A. Afshar, “Automatic Detection and Classification of the Ceramic Tiles’ Surface Defects,” Pattern Recognit., vol. 66, pp. 174–189, 2016.

Y. Samarawickrama dan C. Wickramasinghe, “Matlab based Automated Surface Defect Detection System for Ceremic Tiles using Image Processing,” in 2017 6th National Conference on Technology and Management (NCTM), 2017, pp. 34–39.

R. Alamsyah, A.D. Wiranata dan Rafie, “Deteksi Cacat Ubin Keramik Dengan Metode K-Nearest Neighbor,” Techno.COM, vol. 18, no. 3, pp. 245-250, 2019.

A. Johar, D. Yanosma dan K. Anggriani, “Implementasi Metode K-Nearest Neighbor (KNN) dan Simple Additive Weighting (SAW) dalam Pengambilan Keputusan Seleksi Penerimaan Aggota Paskibraka”, Jurnal Pseudocode, vol. 3, no. 2, 2016.

R. Anggraini, B. Hidayat, dan S. Darana, “Klasifikasi Jenis Kualitas Keju Dengan Menggunakan Metode Gray Level Co-occurrence Matrix (GLCM) dan Support Vector Machine (SVM) Pada Citra Digital,” in e-Proceeding of Engineering, 2017, vol. 4, no. 2, pp. 2035–2042.

R. M. Haralick, K. Shanmugam, dan I. Dinstein, “Textural Features for Image Classification,” IEEE, vol. SMC-3, no. 6, pp. 610–621, 1973.

S. Iriyanto dan T. Zaini, Pengolahan citra digital. Bandar Lampung: Anugrah Utama Raharja, 2016.

Downloads

Published

2023-11-28