Article Per Year (5 Year)
p-Index From 2021 - 2026
0
P-Index
This Author published in this journals
All Journal TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika
Abu Amar Tantowi
Universitas Telkom
Electrical & Electronics Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
IDENTIFIKASI TEKSTUR UNTUK KLASIFIKASI BATUAN BEKU DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT) DAN SUPPORT VECTOR MACHINE (SVM) Abu Amar Tantowi
TEKTRIKA Vol 3 No 2 (2018): TEKTRIKA Vol.3 No.2 2018
Publisher : Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Petrologi adalah bidang ilmu geologi yang terfokus pada studi mengenai batuan dan kondisi pembentukannya. Petrografi adalah cabang dari petrologi yang menjelaskan deskripsi rinci dari batuan berdasarkan kandungan mineral dan tekstur. Batuan merupakan sekumpulan mineral yang membeku, mineral tersebut umumnya disebut sebagai rock-forming minerals. Dengan mengidentifikasi masing-masing mineral yang terdapat pada batuan dengan bantuan mikroskop kita dapat mengklasifikasikan jenis dari batuan tersebut. Karakteristik dari tiap-tiap jenis batuan tersebut dapat dibedakan dari persentase mineral-mineral yang membentuk batuan tersebut. Mikroskop petrografi dapat menganalisis secara rinci dari mineral dengan mineralogi optik dan sayatan tipis dari batuan. Saat ini  petrografer menggunakan cara konvensional untuk menelitinya dengan indera penglihatan yang subjektif dalam ketelitian maupun efisiensi waktu. Dalam artikel ini, penulis merancang sebuah perangkat lunak berbasis MATLAB yang dapat mengklasifikasikan jenis-jenis dari batuan. Sistem ini diberi input berupa citra digital dari batuan tersebut secara mikroskopis yang diambil dari mikroskop petrografi. Kemudian citra tersebut diolah oleh sistem. Proses pertama yaitu dilakukan ekstraksi ciri melalui salah satu metode yaitu Discrete Wavelet Transform (DWT). Selanjutnya dilakukan proses klasifikasi citra melalui metode Support Vector Machine (SVM). Dari hasil pengujian yang dilakukan didapat akurasi terbaik 83.95062% dengan metode ekstraksi ciri DWT dan klasifikasi SVM.
Co-Authors