Pendahuluan
Indonesia memiliki ribuan jenis kayu dengan nilai ekonomi berbeda. Identifikasi jenis kayu penting untuk perdagangan legal (mencegah kayu ilegal), industri mebel, dan penelitian kehutanan. Selama ini identifikasi dilakukan secara manual oleh ahli dengan melihat ciri anatomi (mikroskop), yang lambat dan subjektif. Penelitian ini mengembangkan sistem identifikasi kayu cepat menggunakan Near-Infrared Spectroscopy (NIRS) dan machine learning.
Prinsip NIRS
Setiap jenis kayu memiliki komposisi kimia (selulosa, lignin, ekstraktif) yang berbeda. Komposisi ini mempengaruhi spektrum serapan NIR (800-2500 nm). Dengan menganalisis spektrum NIR, dapat diidentifikasi jenis kayu secara unik.
Desain Sistem
Hardware:
- Spektrometer NIR: NeoFox (900-1700 nm) atau microPHAZIR (1600-2400 nm)
- Probe fiber optik untuk kontak dengan kayu
- Laptop untuk kontrol dan analisis
- Platform rotasi untuk sampel kayu (standarisasi posisi)
Sampel Kayu:
20 jenis kayu komersial Indonesia:
- Kelompok meranti: Meranti merah, meranti kuning, meranti putih
- Kelompok jati: Jati, mahoni
- Kelompok ulin: Ulin, bangkirai
- Kelompok rimba campuran: Nyatoh, kapur, keruing, kamper, dll
Total 500 sampel (25 per jenis) dari berbagai umur dan lokasi.
Akuisisi Spektrum
Setiap sampel diukur di 5 titik berbeda, masing-masing 10 scan. Spektrum dirata-rata untuk mengurangi noise. Preprocessing:
- Savitzky-Golay smoothing
- Multiplicative Scatter Correction (MSC)
- Standard Normal Variate (SNV)
- Derivative pertama
Ekstraksi Fitur
Dari 512 panjang gelombang, dilakukan reduksi dimensi dengan PCA (Principal Component Analysis). 20 komponen utama pertama menjelaskan 98% variansi.
Model Machine Learning
Uji 5 algoritma:
- PLS-DA (Partial Least Squares Discriminant Analysis): Standar untuk data spektroskopi
- Random Forest: Ensemble learning
- SVM: Support Vector Machine dengan kernel RBF
- XGBoost: Gradient boosting
- CNN 1D: Untuk menangkap pola spektral lokal
Hasil
| Algoritma | Akurasi | Precision (rata2) | Recall | Waktu Training |
|---|---|---|---|---|
| PLS-DA | 92,5% | 0,92 | 0,92 | 5 detik |
| Random Forest | 94,2% | 0,94 | 0,94 | 30 detik |
| SVM | 95,1% | 0,95 | 0,95 | 2 menit |
| XGBoost | 96,3% | 0,96 | 0,96 | 1 menit |
| CNN 1D | 97,8% | 0,98 | 0,97 | 10 menit |
Confusion Matrix: Kesalahan terbanyak antar jenis meranti yang mirip (meranti merah vs kuning). Jati dan ulin teridentifikasi sempurna (100%).
Implementasi
Model terbaik (CNN 1D) di-deploy ke aplikasi desktop dengan GUI. Pengguna:
- Letakkan probe NIR pada kayu
- Tekan tombol “Scan”
- Dalam 3 detik, muncul hasil: jenis kayu, confidence, dan informasi (kelas awet, kelas kuat, daerah asal)
Pengujian Lapangan
Diuji di 3 industri mebel di Jepara dengan 100 sampel kayu (jenis tidak diketahui oleh penguji). Akurasi: 95% (2 sampel meranti salah identifikasi). Petugas dapat menggunakan setelah pelatihan 30 menit.
Pembahasan
Faktor yang Mempengaruhi Akurasi:
- Kelembaban kayu: Kayu basah memberikan spektrum berbeda. Model dilatih dengan kayu kering udara (kadar air 12-15%). Untuk kayu basah, perlu model terpisah.
- Arah serat: Pengukuran searah serat vs melintang serat berbeda. Standarisasi: ukur di bidang transversal (potongan melintang).
- Ekstraktif: Kayu teras vs gubal berbeda. Model dilatih dengan keduanya.
- Permukaan kasar: Permukaan halus (ampelas) memberikan spektrum lebih baik.
Keunggulan NIRS:
- Cepat (3 detik vs mikroskop 30 menit)
- Non-destruktif (tidak merusak kayu)
- Dapat digunakan di lapangan (portabel)
- Objektif (tidak tergantung keahlian operator)
Keterbatasan:
- Harga spektrometer masih mahal (Rp 150-300 juta)
- Database terbatas pada jenis yang dilatih
- Tidak dapat membedakan kayu yang sangat mirip (misal meranti merah vs kuning dari Kalimantan vs Sumatera)
Pengembangan ke Depan
- Pembuatan database nasional spektrum NIR semua jenis kayu Indonesia
- Integrasi dengan aplikasi mobile (kamera smartphone tidak bisa, perlu spektrometer mini)
- Identifikasi asal daerah (fingerprint geografis) untuk kayu jati
Kesimpulan
Sistem identifikasi kayu berbasis NIRS dan machine learning terbukti akurat, cepat, dan objektif. Dengan adopsi luas, dapat membantu penegakan hukum kayu ilegal dan meningkatkan efisiensi industri perkayuan.
Kata Kunci: Identifikasi Kayu, NIRS, Machine Learning, Spektroskopi, CNN, Kehutanan