Sistem Inspeksi Visual Kecacatan Pada Sel Baterai Lithium Menggunakan Cnn 2 Dimensi
DOI:
https://doi.org/10.34818/eoe.v8i5.16489Abstrak
Perkembangan teknologi, khususnya di bidang industri, telah membantu para pelaku industri dalam meningkatkan efisiensi produksi suatu produk. Banyak produsen-produsen di bidang industri membutuhkan sumber tenaga yang dapat dibawa kemana-mana. Baterai dapat dijadikan sebuah solusi untuk menyimpan daya listrik yang dibutuhkan oleh alat-alat elektronik yang digunakan sehari-hari. Baterai, khususnya baterai berjenis lithium, saat ini telah banyak digunakan pada berbagai aspek seperti dalam transportasi, layanan umum, sampai pada alat-alat elektronik konsumen. Dalam pembuatan baterai, seringkali terdapat kecacatan produk pada proses produksi. Hal ini dikarenakan tingkat kelalaian mesin ataupun manusia. Biasanya, untuk mengecek kecacatan produk, dibutuhkan orang yang sangat ahli dalam inspeksi visual pada produk. Tetapi, hal ini memiliki kekurangan seperti, tingkat akurasi dan keamanan yang rendah, kurang efisien dalam mengidentifikasi kecacatan, dan perbedaan persepsi antara inspektor dan pekerja lain. Oleh karena itu, penulis mengembangkan suatu metode identifikasi untuk mendeteksi produkproduk yang cacat menggunakan Deep Learning. Hasil dari penelitian ini menunjukkan bahwa pada saat proses training, performansi model CNN menunjukkan peningkatan akurasi tetapi pada nilai akurasi keseluruhan model menghasilkan akurasi yang sangat rendah. Akurasi tertinggi adalah pada partisi data 70:30 dan learning rate 0.0001 sebesar 39%. Tetapi, hasil akurasi training tidak menentukan seberapa tepat sistem dalam mendeteksi suatu objek apakah rusak atau tidak. Kata Kunci : Inspeksi Visual, Baterai Lithium, Deep Learning, CNN 2 dimensiUnduhan
Referensi
F. A. Permana, "Baterai Lithium," INKUIRI: Jurnal Pendidikan IPA, vol. 9, no. 2, pp. 113-118, 2020.
A. Newcomb, "NBC News," 23 January 2017. [Online]. Available: https://www.nbcnews.com/tech/technews/samsung-finally-explains-galaxy-note-7-exploding-battery-mess-n710581.
F. A. Isman, A. L. Prasasti and R. A. Nugrahaeni, "Expression Classification for User Experience Testing using Convolutional Neural Network," in International Conference on Artificial Intelligence and Mechatronics Systems (AIMS), 2021.
S. S. Rosyda, B. Irawan and A. L. Prasasti, "Design of Arabic Recognition Application using Convolutional Neural Network," Journal of Engineering and Applied Sciences, 2019.
I. A. P. P. Muhammad Thowil Afif, "Analisis Perbandingan Baterai Lithium-Ion, Lithium-Polymer, Lead Acid, dan Nickel-Metal Hydride Pada Penggunaan Mobil Listrik," Jurnal Rekayasa Mesin, vol. 1, 2015.
F. F. Maulana and N. Rochmawati, "Klasifikasi Citra Buah Menggunakan Convolutional Neural Network," JINACS ( Journal Of Informatics and Computer Science ), 2019.
I. W. S. E. Putra, "Klasifikasi Citra Menggunakan Convolutional Neural Network ( CNN ) Pada Caltech 101," Jurnal Teknik ITS, vol. 1, no. 1, pp. 65-68, 2016.
J. Hurwitz and D. Kirsch, Machine Learning for Dummies - IBM Edition, IBM, 2018.
Agarap and A. F. M., "An Architecture Combining Convolutional Neural Network (CNN) and Support Vector Machine (SVM) for Image Classification," arXiv:1712.03541v2, 2019.
J. Chang and J. Sha, "An Efficient Implementation of 2D convolution in CNN," IEICE Electronics Express, 2017.



