<![CDATA[Ubin teraso adalah pelapis lantai ataupun tembok yang menggunakan bahan batu marmer, kristal kuarsa, granit, gelas, dan bahkan pelat logam. Industri ubin teraso tetap terjaga meskipun tergolong karya klasik, karena sifatnya yang mewah. Proses pengendalian mutu dilakukan dengan memeriksa tekstur permukaannya. Fitur tekstur dari permukaan ubin teraso bisa diekstraksi melalui pengolahan citra digital, sehingga bisa ditentukan nilai kehalusannya yang menyatakan sebagai produk layak jual atau gagal produksi. Penelitian ini melakukan analisis fitur gray level co-occurence matrix (GLCM) citra permukaan ubin teraso, yaitu angular second moment (ASM), contrast, inverse different moment (IDM), entropy, dan correlation. Nilai varians dan simpangan baku masing-masing fitur tersebut digunakan sebagai indikator kemampuan dan akurasi melakukan klusterisasi data. Algoritma k-nearest neighbor (KNN) digunakan untuk menerima masukan dari masing-masing lima fitur tersebut untuk didapatkan hasil pembelajaran maupun pengenalan dan dibandingkan dengan kondisi sebenarnya. Hasil akhir dari penelitian ini menunjukkan bahwa dari kelima fitur GLCM terdapat empat fitur yang layak digunakan sebagai alat klusterisasi data pada mutu ubin teraso, yaitu ASM, IDM, entropy, dan correlation. Sementara fitur contrast dinyatakan tidak layak sebagai pembeda klasifikasi. Selain itu, pengenalan menggunakan KNN untuk klasifikasi mutu pada ubin teraso menghasilkan akurasi 85% bagi mutu “layak jual” dan 85% bagi mutu “gagal produksi”.Kata Kunci — GLCM, k-nearest neighbor, ubin teraso, kendali mutu, ekstraksi fitur teksturTerrazzo tiles are decorative covering materials for floor and wall consisted of quartz sand, marble, granite, glass, and metal coating. Nowadays, the terrazzo tile industry is maintained despite old fashioned, due to its luxurious nature. The quality control process is carried out by examining the surface texture. Texture features of the terrazzo tile surface can be extracted through digital image processing, so that the fineness value can be determined which states that it is a good product or production defects. This study analyzed calculation of the gray level co-occurrence matrix (GLCM) features from the terrazzo tile surface image data, namely angular second moment (ASM), contrast, inverse different moment (IDM), entropy, and correlation. Variance values and standard deviations of each feature are used as accuracy indicators for data clustering. K-nearest neighbor algorithm (KNN) is used to obtain learning and recognition results and will be compared with actual conditions. The final results indicate that only four features are feasible to be used as data clustering tools, namely ASM, IDM, entropy, and correlation, while the contrast feature is considered inappropriate. In addition, usage of KNN for quality classification on terrazzo tiles produces 85% accuracy for all quality.Keywords—GLCM, k-nearest neighbor, terrazzo tiles, quality control, texture feature extraction]]>
Copyrights © 2017
