Klasifikasi Kecacatan Ban Untuk Mengendalikan Kualitas Produk Menggunakan Model CNN Dengan Arsitektur VGG-16
DOI:
https://doi.org/10.34818/eoe.v9i6.18988Abstrak
Abstrak—Ban merupakan suatu alat yang berfungsi sebagai penggerak kendaraan. Dalam penggunaan ban terdapat beberapa aspek yang perlu diperhatikan seperti durabilitas, performa, dan keamanan pengguna. Dengan demikian, dalam produksi ban harus memastikan kondisi fisik ban yang sudah sesuai dengan standar tanpa adanya kecacatan. Untuk mengatasi permasalahan tersebut, diperlukan suatu sistem menggunakan komputer untuk menggantikan tenaga manusia dalam melakukan inspeksi permukaan ban. Salah satu sistem yang dapat merealisasikan hal tersebut adalah penggunaan deep learning. Terdapat beberapa metode deep learning, salah satunya adalah Convolutional Neural Network (CNN). CNN dapat menirukan sistem pengenalan citra pada visual cortex manusia, sehingga cocok digunakan untuk identifikasi dan klasifikasi data citra. Simulasi klasifikasi kecacatan ban dilakukan menggunakan Google Colaboratory dengan pengambilan sumber dataset dari www.kaggle.com. Proses klasifikasi dimulai dengan memasukkan dataset yang berisi jenis-jenis kecacatan ban, setelah itu diproses dalam hidden layer CNN. Performa terbaik dari penelitian ini yaitu akurasi 87%, precision 81%, recall 96%, f-1 score 88% dengan parameter yang optimal yang didapatkan dalam penelitian ini diantaranya; Resize 224x224, Optimizer SGD, Epoch 70, batch size 16, dan learning rate 0,0001. Kata Kunci— kecacatan ban, klasifikasi, deep learning, CNN, VGG-16.Unduhan
Referensi
[1] Khanna, A., Kishore, A., & Jaggi, C. K. (2017). Strategic Production Modeling for Defective Items with Imperfect Inspection Process, Rework, and Sales Return Under Two-Level Trade Credit. International Journal of Industrial Engineering Computations, 85–118. https://doi.org/10.5267/j.ijiec.2016.7. 001
[2] Carrillo-Gutierrez, T., Martínez, R. M. R., de La Riva Rodríguez, J., & Sanchez-Leal, J. (2016). Relevant aspects of human error and its effect on the quality of the product. Study in the maquiladora industry. Advances in Intelligent Systems and Computing, 490, 475–485. https://doi.org/10.1007/978-3-319-41697-7_42
[3] Rahmayuna, N., Rahardwika, D. S., Sari, C. A., Setiadi, D. R. M., & Rachmawanto, E. H. (2018, November). Pathogenic Bacteria Genus Classification using Support Vector Machine. 2018 International Seminar on Research of Information Technology and Intelligent Systems (ISRITI).
[4] Wang, J., Fu, P., & Gao, R. X. (2019). Machine vision intelligence for product defect inspection based on deep learning and Hough transform. Journal of Manufacturing Systems, 51(December 2018), 52–60. https://doi.org/10.1016/j.jmsy.2019.03.002
[5] Liu, W., Wang, Z., Liu, X., Zeng, N., Liu, Y., & Alsaadi, F. E. (2017). A survey of deep neural network architectures and their applications. Neurocomputing, 234(October 2016), 11–26. https://doi.org/10.1016/j.neucom.2016.12.038
[6] Agarap, A. F. (2018). Deep Learning using Rectified Linear Units (ReLU). http://arxiv.org/abs/1803.08375
[7] Rahmayuna, N., Adi, K., & Kusumaningrum, R. (2021, December). Tableware Ceramics Defect Detection Using Morphological Operation Approach. 2021 4th International Seminar on Research of Information Technology and Intelligent Systems (ISRITI).
[8] Deng, H., Cheng, Y., Feng, Y., & Xiang, J. (2021). SS symmetry Industrial Laser Welding Defect Detection and Image Defect.
[9] Zhao, Y., Hao, K., He, H., Tang, X., & Wei, B. (2020). A visual long-short-term memory based integrated CNN model for fabric defect image classification. Neurocomputing, 380, 259–270. https://doi.org/10.1016/j.neucom.2019.10.067
[10] Hutomo, Di. (2019, July 19). Jika Kecelakaan Karena Ban Pecah Mengakibatkan Korban Luka dan Motor Rusak. . https://www.hukumonline.com/klinik/detail/ulasan/lt5d29998826f3b/jika-kecelakaan-karena-ban-pecah-mengakibatkan-korban-luka-dan-motor-rusak
[11] D. Powers, “Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation,” 2007.
[12] Bouwmans, T., Javed, S., Sultana, M., & Jung, S. K. (2019). Deep neural network concepts for background subtraction: A systematic review and comparative evaluation. Neural Networks, 117, 8–66. https://doi.org/10.1016/j.neunet.2019.04.024
[13] Andono, P. N., & Sutojo, T. (2015). Konsep Pengolahan Citra Digital. Penerbit Andi.
[14] Xu, J., Zhang, Y., & Miao, D. (2020). Three-way confusion matrix for classification: A measure driven view. Information Sciences, 507, 772–794. https://doi.org/10.1016/j.ins.2019.06.064
[15] Padmo, A. A., & Murinto, M. (2016). SEGMENTASI CITRA BATIK BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE FILTER GABOR DAN K-MEANS CLUSTERING #1. Jurnal Informatika, 10(1).
[16] Habib, G., & Qureshi, S. (2020). Optimization and acceleration of convolutional neural networks: A survey. Journal of King Saud University - Computer and Information Sciences, xxxx. https://doi.org/10.1016/j.jksuci.2020.10.004
[18] https://indoml.com/2018/03/07/student-notes-convolutional-neural-networks-cnn-introduction/
[19] https://www.researchgate.net/figure/Fully-connected-layer_fig3_343263135



