Sistem Pendeteksi Hasil Pengelasan dengan Image Processing Berdasarkan Klasifikasi Metode Principal Component Analysis dan Neural Network
Kata Kunci:
Image Processing, Kecacatan Las, Neural Network, 2D-Principal Component AnalysisAbstrak
Dalam proses pengujian suatu sambungan las, inspeksi visual merupakan langkah awal untuk menentukan kualitas sambungan las yang masih menggunakan penglihatan manusia untuk mengetahui jenis kecacatan pada hasil pengelasan dan memutuskan proses pengujian selanjutnya, sehingga hasil pengujian masih bersifat subjektif. Oleh karena itu, diperlukan pengembangan inovasi dalam melakukan proses visual inspection melalui image processing dengan menggunakan metode 2D Principal Component Analysis dan metode Deep Learning Neural Network model Backpropagation untuk klasifikasi kecacatan las dan memberikan keputusan kelayakan benda uji. Penelitian ini menggunakan sepuluh input citra yang diambil secara real-time dari kamera berdasarkan komposis data training dan testing dengan persentase 80% dan 20%. Kemudian untuk ekstraksi ciri menggunakan 2D Principal Component Analysis yang selanjutnya akan dilakukan klasifikasi kecacatan hasil pengelasan dengan Deep Learning Neural Network. Model Backpropagation Neural Network terbaik yang digunakan memiliki arsitektur input layer sebanyak 100 neuron, hidden layer 1 sebanyak 18 neuron, hidden layer 2 sebanyak 12 neuron dan output layer sebanyak 6 neuron. Hasil prediksi dari klasifikasi cacat las menggunakan metode Neural Network model Backpropagation memiliki nilai presentase keberhasilan pengujian sistem sebesar 88,66% dapat menunjukkan bahwa model memiliki tingkat keakuratan yang baik.
Referensi
Y. Kim, J. Kim, and S. Kang, “A study on welding deformation prediction for ship blocks using theequivalent strain method based on inherent strain,” Appl. Sci., vol. 9, no. 22, 2019, doi: 10.3390/app9224906.
S. Widharto, Welding Inspection. Jakarta: Mitra Wacana Media, 2013.
J. Primo, “Welding Inspection Qualifications & Testing Procedures,” vol. 415, 2012.
N. Fadillah, “Hand Human Recognition Berdasarkan Geometri Telapak,” vol. 10, no. 2, pp. 771–786, 2019.
A. R. Syakhala, D. Puspitaningrum, and E. P. Purwandari, “Perbandingan Metode Principal Component Analysis (PCA) dengan Metode Hidden Markov Model (HMM) dalam Pengenalan Identitas,” J. Inform., vol. 3, no. 2, pp. 68–81, 2015, [Online]. Available: https://ejournal.unib.ac.id/index.php/rekursif/issue/archive.
Indra, “Sistem Pengenalan Wajah Dengan Metode 2D-PCA,” J. Pendidik. Teknol. Komun. Terap., no. July 2012, p.138, 2012.
S. J. Russell and P. Norvig, Artificial intelligence: A modern approach, Second Edi. United State of America: Prentice Hall, 2003.
M. Agustin and T. Prahasto, “Penggunaan Jaringan Syaraf Tiruan Backpropagation Untuk Seleksi Penerimaan Mahasiswa Baru Pada Jurusan Teknik Komputer,” vol. 02, pp. 89–97, 2012.
R. N. Fadhilah and R. V. H. Ginardi, “Penentuan Harga Dengan Metode Back Propagation pada Aplikasi E-Commerce CariKos Berbasis Web,” J. Tek. ITS, vol. 6, no. 2, 2017, doi: 10.12962/j23373539.v6i2.23978.
Y. N. Sari, “Jaringan Syaraf Tiruan Backpropagation Untuk Memprediksi Luas Area Serangan Hama Pada Tanaman Bawang,” pp. 1–66, 2016.
A. Fitriadini, T. Pramiyati, and A. B. Pangaribuan, “Penerapan Backpropagation Neural Network Dalam Prediksi Harga Saham,” Semin. Nas. Mhs. Ilmu Komput. dan Apl., pp. 1–4, 2020.
J. Mirapeix, P. B. García-Allende, A. Cobo, O. M. Conde, and J. M. LópezHiguera, “Real-time arc-welding defect
detection and classification with principal component analysis and artificial neural networks,” NDT E Int., vol. 40, no. 4, pp. 315–323, 2007, doi: 10.1016/j.ndteint.2006.12.001.
A. Khumaidi, “Image Sequence Metode Convolution Neural Network ( Cnn ) Untuk Non Distructive Test . Image
Sequence Metode Convolution Neural Network ( Cnn ) Untuk Non Distructive Test .,” 2017.
N. Rinanto, M. T. Wahyudi, and A. Khumaidi, “Radial Basis Function Neural Network sebagai Pengklasifikasi
Citra Cacat Pengelasan,” Rekayasa, vol. 11, no. 2, p. 118, 2018, doi: 10.21107/rekayasa.v11i2.4418.
F. Duan, S. Yin, P. Song, W. Zhang, C. Zhu, and H. Yokoi, “Automatic Welding Defect Detection of X-Ray Images by
Using Cascade AdaBoost with Penalty Term,” IEEE Access, vol. 7, pp. 125929–125938, 2019, doi: 10.1109/ACCESS.2019.2927258.
