PERANCANGAN APLIKASI KLASIFIKASI JENIS KAYU MENGGUNAKAN DEEP LEARNING DENGAN ANALISIS TRANSMISI CITRA PADA MEBEL KARYA BERSAMA

Abdillah, Depran (2026) PERANCANGAN APLIKASI KLASIFIKASI JENIS KAYU MENGGUNAKAN DEEP LEARNING DENGAN ANALISIS TRANSMISI CITRA PADA MEBEL KARYA BERSAMA. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (COVER) COVER.pdf - Published Version Download (3MB)
	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (453kB)
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy
	Text (BAB III METODOLOGI PENELITIAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (5MB) | Request a copy
	Text (BAB V KESIMPULAN DAN SARAN) BAB V.pdf - Published Version Restricted to Repository staff only Download (225kB) | Request a copy
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (LAMPIRAN) Lampiran.pdf - Published Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Identifikasi kayu pada industri mebel masih banyak dilakukan secara manual sehingga berpotensi menimbulkan ketidakakuratan dan ketidakefisienan. Penelitian ini bertujuan mengembangkan aplikasi mobile-cloud untuk mengklasifikasikan lima jenis kayu dan mengestimasi kategori umur kayu menggunakan Convolutional Neural Network (CNN) dan Random Forest, serta menganalisis performansi transmisi citra. Sistem dibangun menggunakan Flutter sebagai aplikasi Android dan Flask sebagai server cloud. Dataset terdiri atas lima jenis kayu, yaitu Jati, Tembesu, Meranti, Unglen, dan Seru. CNN digunakan untuk klasifikasi jenis kayu dan ekstraksi fitur citra, sedangkan Random Forest digunakan untuk mengestimasi kategori umur berdasarkan fitur hasil ekstraksi CNN. Pengujian model CNN menghasilkan accuracy 91%, precision 93%, recall 91%, dan F1-score 91%, sedangkan Random Forest memperoleh accuracy 98,4%. Analisis Quality of Service (QoS) dilakukan berdasarkan parameter delay, throughput, dan packet loss pada jaringan WiFi dan 4G LTE. Hasil pengujian menunjukkan WiFi memiliki rata-rata delay 1280,90 ms dan throughput 1722,65 KB/s, sedangkan 4G LTE menghasilkan delay 2987,50 ms dan throughput 738,55 KB/s. Kedua jaringan memperoleh packet loss 0%. Sistem WoodVision AI mampu mendukung identifikasi jenis kayu, estimasi kategori umur, dan transmisi citra berbasis cloud secara otomatis. Hasil tersebut menunjukkan bahwa sistem dapat diterapkan sebagai solusi pendukung yang efisien untuk proses identifikasi kayu pada industri mebel secara praktis.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Identifikasi Kayu, Mobile-Cloud, Convolutional Neural Network (CNN), Random Forest, Prediksi Umur Kayu, Quality of Service (QoS)
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	22 Oct 2026 07:16
Last Modified:	22 Oct 2026 07:16
URI:	http://eprints.polsri.ac.id/id/eprint/27668

Actions (login required)

View Item