Electronic Theses and Dissertation

Penelitian ini bertujuan untuk mengklasifikasikan cacat pada permukaan kayu menggunakan pendekatan computer vision berbasis deep learning dengan membandingkan arsitektur MobileNetV2 dan VGG16. Dataset yang digunakan terdiri dari 3.187 citra yang diklasifikasikan ke dalam dua kategori, yaitu good dan defect. Tahap pra-pemrosesan meliputi penyesuaian ukuran citra, penyesuaian format citra, preprocessing sesuai arsitektur model, serta augmentasi data pada data pelatihan. Model MobileNetV2 dan VGG16 dikembangkan menggunakan pendekatan transfer learning dengan bobot pretrained ImageNet dan dilakukan fine-tuning untuk meningkatkan kemampuan klasifikasi. Evaluasi kinerja dilakukan menggunakan confusion matrix, accuracy, precision, recall, F1-score, serta waktu inferensi. Hasil pengujian menunjukkan bahwa MobileNetV2 memperoleh accuracy sebesar 98,96%, precision sebesar 98,08%, recall sebesar 100%, dan F1-score sebesar 99,03%, sedangkan VGG16 memperoleh accuracy sebesar 99,58%, precision sebesar 100%, recall sebesar 99,22%, dan F1-score sebesar 99,61%. Waktu inferensi yang diperoleh MobileNetV2 adalah 17,27 ms per citra, sedangkan VGG16 sebesar 17,94 ms per citra. Hasil uji McNemar memperoleh p-value sebesar 0,4497 (> 0,05), yang menunjukkan bahwa perbedaan kinerja kedua model tidak signifikan secara statistik. Berdasarkan hasil tersebut, kedua arsitektur mampu melakukan klasifikasi citra permukaan kayu dengan kinerja yang sangat baik, dengan VGG16 menunjukkan kinerja numerik yang sedikit lebih tinggi dibandingkan MobileNetV2.

Kata kunci: computer vision, klasifikasi cacat kayu, deep learning, transfer learning, MobileNetV2, VGG16.

This study aims to classify defects on wood surfaces using a computer vision-based deep learning approach by comparing the MobileNetV2 and VGG16 architectures. The dataset consists of 3,187 images classified into two categories, namely good and defect. The preprocessing stage includes image resizing, image format adjustment, preprocessing according to the model architecture, and data augmentation on the training data. The MobileNetV2 and VGG16 models were developed using a transfer learning approach with ImageNet pretrained weights, followed by fine-tuning to improve classification performance. Model performance was evaluated using a confusion matrix, accuracy, precision, recall, F1-score, and inference time. The evaluation results showed that MobileNetV2 achieved an accuracy of 98.96%, precision of 98.08%, recall of 100%, and F1-score of 99.03%, while VGG16 achieved an accuracy of 99.58%, precision of 100%, recall of 99.22%, and F1-score of 99.61%. The inference time obtained by MobileNetV2 was 17.27 ms per image, while VGG16 required 17.94 ms per image. The McNemar test resulted in a p-value of 0.4497 (> 0.05), indicating that the performance difference between the two models was not statistically significant. Based on these results, both architectures demonstrated very good performance in classifying wood surface images, with VGG16 showing slightly higher numerical performance than MobileNetV2. Keywords: computer vision, wood defect classification, deep learning, transfer learning, MobileNetV2, VGG16.