RANCANG BANGUN SISTEM SORTIR CACAT SABLON UNTUK MENINGKATKAN QUALITY CONTROL DENGAN METODE CONVOLUTIONAL NEURAL NETWORK DAN IOT

Rahman, Ivan Nur (2024) RANCANG BANGUN SISTEM SORTIR CACAT SABLON UNTUK MENINGKATKAN QUALITY CONTROL DENGAN METODE CONVOLUTIONAL NEURAL NETWORK DAN IOT. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0920040089 - Ivan Nur Rahman - Rancang Bangun Sistem Sortir Cacat Sablon untuk Meningkatkan _i_Quality Control__i_ dengan Metode _i_Convolutional Neural Network__i_ dan _i_IoT__i_.pdf Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Pertumbuhan industri konveksi yang semakin tinggi membuat Usaha Mikro Kecil dan Menengah (UMKM) lokal berlomba – lomba dalam meningkatkan kualitas produksi. Salah satunya industri sablon kaos, berdasarkan dari salah satu umkm di jombang keluhan dari costumer biasanya datang dari hasil sablon yang kurang maksimal (cacat) seperti sablon mengelupas, kain sobek, sablon gosong, sablon luber, dan salah posisi sablon. Sehingga hasil yang didapatkan kurang memuaskan. hal tersebut terjadi karena klasifikasi hasil kelayakan atau quality control sablon masih dilakukan secara manual dengan pengamatan mata manusia, dengan adanya teknologi otomatisasi dan robotika yang membawa perubahan cukup besar dalam mendongkrak sektor kehidupan dan industri, penulis menawarkan solusi penanggulangan terkait permasalahan quality control untuk mengurangi lolosnya sablon cacat dengan membuat rancang bangun sistem sortir otomatis secara real time menggunakan pengolahan citra. Dalam implementasinya, penulis menggunakan image processing dengan mengekstraksi fitur U-Net yang diharapkan objek dapat dikenali dengan lebih detail dan Convolutional Neural Network sebagai klasifikasi objek. Berdasarkan uraian di atas, penulis mengusung penelitian tugas akhir dengan judul "Rancang Bangun Sistem Sortir Cacat Sablon Untuk Meningkatkan Quality Control Dengan Metode Convolutional Neural Network dan IoT”. Penelitian ini bertujuan untuk mengoptimalkan quality control sablon secara otomatis dan real-time menggunakan metode Convolutional Neural Network (CNN) dan U-Net CNN. Sistem deteksi dan klasifikasi cacat sablon dirancang dengan 7 kategori cacat dan normal difokuskan pada area sablon. Hasil pengujian menunjukkan bahwa model U-Net CNN memiliki performa terbaik dengan akurasi klasifikasi kecacatan objek sebesar 92% dan akurasi aksi reject 100%, sedangkan model CNN memiliki peforma dengan akurasi klasifikasi kecacatan objek 91% dan akurasi aksi reject 100%. Implementasi sistem ini diharapkan dapat meningkatkan kualitas produksi konveksi dan membantu UMKM lokal bersaing di pasar global.

Actions (login required)

View Item