SISTEM PENDETEKSI HASIL PENGELASAN DENGAN IMAGE PROCESSING BERDASARKAN KLASIFIKASI METODE PRINCIPAL COMPONENT ANALYSIS DAN NEURAL NETWORK

Putri, Sherlyna Anggraini (2021) SISTEM PENDETEKSI HASIL PENGELASAN DENGAN IMAGE PROCESSING BERDASARKAN KLASIFIKASI METODE PRINCIPAL COMPONENT ANALYSIS DAN NEURAL NETWORK. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0917040035 - Sherlyna Anggraini Putri - Sistem Pendeteksi Hasil Pengelasan Dengan (i)Image Processing(_i) Berdasarkan Klasifikasi Metode (i)Principal Component Analysis(_i) Dan (i)Neural Network(_i).pdf Restricted to Repository staff only Download (1MB)

Abstract

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 kerja. Tugas Akhir ini menggunakan sepuluh input citra yang diambil secara real-time dari kamera berdasarkan komposisi data training dan testing dengan persentasi 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 20 neuron, hidden layer 2 sebanyak 18 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 85% dan presentase keberhasilan pengujian real time sebesar 82,22% dapat menunjukkan bahwa model memiliki tingkat keakuratan yang baik.

Actions (login required)

View Item