Claim Missing Document
Check
Articles

Found 2 Documents
Search

Identifikasi Jenis Batuan Beku Melihat Tekstur Batuan Menggunakan Metode Discrete Wavelet Transform (dwt) Dan K-nearest Neighbor (knn) Setyo Nugroho Wibowo; Bambang Hidayat; Johan Arif
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

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

Abstract

Batuan – batuan hasil proses alamiah sangat banyak jenisnya, umumnya terbagi menjadi tiga proses utama yaitu proses kristalisasi yang menghasilkan jenis batuan beku, proses metamorfisme yang menghasilkan jenis batuan metamorf, proses pengendapan yang menghasilkan jenis batuan sedimen. Dari tiap jenis batuan tadi juga menghasilkan batuan yang berbeda seperti batuan sedimen meliputi konglomerat, batu pasir, batuan gamping dan sebagainya, batuan beku juga terbagi lagi seperti batuan granit, batuan andesit dan batuan basalt. Dan jenis batuan metamorf juga terbagi lagi meliputi batuan marmer dan batusabak. Melihat banyaknya jenis batuan diatas, sebagai ahli geologi dalam menentukan jenis batuan menggunakan panca indra penglihatan masih memiliki kelemahan. Pada Tugas Akhir ini, penulis akan mendesain sebuah perangkat lunak menggunakan MATLAB diharapkan sistem mampu mengklasifikasikan jenis batuan. Sistem ini akan diberi masukan berupa citra digital dari batuan yang akan dideteksi, yang kemudian akan dilakukan proses standardisasi citra. Sistem akan bekerja dengan pertama melakukan ekstraksi ciri untuk mendapatkan informasi di dalam citra melalui salah satu jenis dari Transformasi Wavelet yaitu Discrete Wavelet Transform(DWT). Setelah didapatkan ciri citra, selanjutnya adalah klasifikasi citra melalui metode jarak terdekat atau K-Nearest Neighbor (KNN) yang kemudian akan dikelompokkan dalam rentang citra tersebut. Dari hasil pengujian, sistem yang telah dibangun mampu mendeteksi batuan dengan level DWT yang digunakan adalah level 1, dengan akurasi terbaik adalah 98.33%. Dalam sistem ini, perubahan jenis mother wavelet tidak terlalu berpengaruh besar. Dan untuk komponen terbaik dalam sistem ini adalah komponen LL pada proses DWT dengan akurasi 98.33%. Sedangkan pada proses klasifikasi KNN jenis distance terbaik yang bisa digunakan adalah jenis Euclidean dan Cityblock dengan akurasi terbaik 98.33% dengan parameter yang terbaik ada pada k=1 dan k=3. Kata Kunci : Jenis Batuan, Deteksi Citra, Discrete Wavelet Transform, K-Nearest Neighbor
Identifikasi Dan Klasifikasi Jenis Batuan Beku Berdasarkan Tekstur Batuan Menggunakan Discrete Cosine Transform (dct) Dan K-nearest Neighbor (k-nn) Pada Citra Digital Annisa Rizki Akmalia; Bambang Hidayat; Johan Arif
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

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

Abstract

Litosfer adalah salah satu lapisan bumi yang bersifat padat. Lapisan ini berdasarkan komposisi kimianya terdiri dari tiga lapisan yang urutannya dari luar ke dalam, Kerak Bumi, Mantel, dan Inti yang di bagi dua yaitu Inti Luar dan Inti Dalam. Dari tiga jenis batuan yaitu batuan beku, batuan sedimen, dan batuan metamorf, lapisan Kerak Bumi sebagian besar disusun oleh batuan beku dan batuan metamorf, sedangkan batuan sedimen umumnya terdapat pada permukaan (kerak) bumi. Beragam jenis batuan tersebut hanya ahli geologi yang dapat mengidentifikasinya. Karena mata juga memiliki tingkat ketelitian dalam mengidentifikasi objek, maka perlu suatu alat bantu pembanding tenaga Ahli untuk memperkuat klasifikasi jenis batuan beku dengan waktu yang relatif singkat dan akurasi yang tinggi. Tugas Akhir ini membahas tentang simulasi dan analisis sistem klasifikasi jenis batuan beku. Adapun tahapan yang dilakukan dalam penelitian ini ialah : akuisisi citra, preprocessing, ekstraksi ciri, dan klasifikasi. Metode ekstraksi ciri yang digunakan adalah Discrete Cosine Transform (DCT) dan metode klasifikasi K-Nearest Neighbor (K-NN). Dalam pengujian ini dilakukan dengan 90 citra batuan Megaskopis dan 90 citra batuan Mikroskopis yang terbagi masing-masing dalam tiga kelas dengan komposisi 20 data uji dan 10 data latih tiap kelasnya. Sehingga didapatkan akurasi terbaik sebesar 98,33% dan waktu komputasi 0,4371s untuk batuan megaskopis dengan menggunakan parameter : blok 512, k=1, distance euclidean. Sedangkan batuan mikroskopis didapatkan akurasi sebesar 61,67% dan waktu komputasi 0,4422s dengan menggunakan parameter : blok 512, k=1, distance cityblock. Kata Kunci : Jenis Batuan, Discrete Cosine Transform (DCT), dan K-Nearest Neighbor (K-NN)