Page 7 - 3013-Article Text-15047-2-10-20240123

IMTechno: Journal of Industrial Management and Technology Volume 5 No. 1 Januari 2024
E-ISSN: 2774-342X

dipakai oleh para peneliti. Hal ini tidak terlepas dari
Sebagaimana disebutkan pada gambar 5. CNN berbagai kelebihan yang dimiliki data citra optik,
adalah metode klasifikasi yang paling banyak seperti harga peralatan yang relatif lebih murah, aman
dipergunakan (32 studi) untuk identifikasi batubara bagi kesehatan manusia dan ramah terhadap
dan gangue dengan menggunakan analisa citra lingkungan. Di sisi lain, tren penggunaan data citra
dalam 10 tahun terkahir. Sedangkan sumber data multispectral dan data citra thermal juga meningkat
yang dipergunakan oleh CNN, terdiri dari data citra sebagai alternatif terhadap data citra optik yang cukup
optik sebanyak 22 studi, data sensitif terhadap faktor lingkungan seperti
multispectral/hyperspectral sebanyak 7 studi dan pencahayaan dan debu.
data citra thermal sebanyak 3 studi.
REFERENSI
KESIMPULAN
Alfarzaeai, M. S., Niu, Q., Zhao, J., Eshaq, R. M. A.,
Studi review ini bertujuan untuk melihat tren & Hu, E. (2020). Coal/gangue recognition
penelitian terkait dengan klasifikasi batubara dan using convolutional neural networks and
gangue dalam kurun waktu Januari 2013 sampai thermal images. IEEE Access, 8, 76780-
dengan Juni 2023. Dari hasil analisa dan kompilasi 76789.
data yang dilakukan, terlihat bahwa penelitian https://ieeexplore.ieee.org/stamp/stamp.jsp?ar
number=9078124
tersebut mengalami tren peningkatan terutama Bai, F., Fan, M., Yang, H., & Dong, L. (2021). Fast
sesudah diimplementasikannya Convolutionary recognition using convolutional neural
Neural Networks (CNN) sebagai classifier dalam network for the coal particle density range
proses identifikasi batubara dan gangue. based on images captured under multiple light
Pada umumnya pendekatan yang dilakukan sources. International Journal of Mining
dalam proses identifikasi dapat dibagi dalam 2 Science and Technology, 31(6), 1053-1061.
https://www.sciencedirect.com/science/article
kategori yaitu pendekatan machine learning /pii/S2095268621001014
konvensional dan pendekatan deep learning yang Boon-itt, S. (2010). An empirical model of the
berbasiskan CNN. Pada pendekatan machine relationship between competitive capabilities:
learning yang konvensional, metode klasifikasi yang evidence from the Thai automotive industry.
digunakan adalah Support Vector Machine (SVM), NIDA Development Journal, 50(2), 19-45.
Multilayer Perceptron (MLP), teori Bayesian, Cheng, G., Chen, J., Wei, Y., Chen, S., & Pan, Z.
PCANET, XGBoost, Maximum Parameter (2023). A Coal Gangue Identification Method
Based on HOG Combined with LBP Features
Likelihood (MPL) dan Random Forest (RF). Diantara and Improved Support Vector Machine.
metode machine learning tersebut, SVM menempati Symmetry, 15(1), 202.
posisi yang cukup menonjol dimana 50% studi https://www.mdpi.com/2073-8994/15/1/202
berdasarkan pendekatan machine learning Dou, D., Zhou, D., Yang, J., & Zhang, Y. (2018).
konvensional menggunakan metode SVM. Hal ini Coal and gangue recognition under four
operating conditions by using image analysis
tidak terlepas dari kelebihan yang dimiliki oleh SVM and Relief-SVM. International Journal of Coal
seperti kemampuan yang baik dalam bekerja pada Preparation and Utilization.
ruang fitur dimensi tinggi sehingga sesuai juga untuk Dou, D., Wu, W., Yang, J., & Zhang, Y. (2019).
digunakan pada permasalahan yang memiliki jumlah Classification of coal and gangue under
fitur yang besar. Namun demikian, pada metode yang multiple surface conditions via machine vision
menggunakan machine learning konvensional and relief-SVM. Powder Technology, 356,
1024-1028.
diperlukan adanya ekstraksi fitur terlebih dahulu Eshaq, R. M. A., Hu, E., Li, M., & Alfarzaeai, M. S.
sebelum masuk pada tahapan proses klasifikasi oleh (2020). Separation between coal and gangue
classifier. Kekurangan ini terjawab pada metode deep based on infrared radiation and visual
learning yang berbasiskan CNN, dimana proses extraction of the YCbCr color space. Ieee
pengenalan fitur terintegrasi di dalam CNN yang Access, 8, 55204-55220.
berfungsi sebagai classifier. Kelebihan CNN ini https://ieeexplore.ieee.org/stamp/stamp.jsp?ar
number=9039581
menjadikannya sebagai classifier yang paling Eshaq, R. M. A., Hu, E., Qaid, H. A., Zhang, Y., &
dominan digunakan dalam proses identifikasi Liu, T. (2021). Using deep convolutional
batubara dan gangue. neural networks and infrared thermography to
Terkait dengan sumber data yang identify coal quality and gangue. IEEE
dipergunakan baik oleh metode machine learning Access, 9, 147315-147327.
maupun metode deep learning, dapat dibagi ke dalam https://ieeexplore.ieee.org/stamp/stamp.jsp?ar
number=9579439
beberapa kelompok data, yaitu: data citra optik, data Gao, K., Du, C., Wang, H., & Zhang, S. (2013). An
citra thermal, data multispectral atau hyperspectral, efficient of coal and gangue recognition
data dari sinar-X atau sinar Gamma dan data algorithm. International Journal of Signal
dielectric. Dari berbagai jenis sumber data tersebut, Processing, Image Processing and Pattern
data citra optik adalah jenis data yang paling banyak Recognition, 6(4), 345-354.
https://citeseerx.ist.psu.edu/document?repid=
http://jurnal.bsi.ac.id/index.php/imtechno 66