IMPLEMENTASI METODE LSTM PADA WELDING GLOVE BERBASIS SENSOR IMU UNTUK PENGENALAN POSISI PENGELASAN

Rahmania, Chika Bintang Yudina (2026) IMPLEMENTASI METODE LSTM PADA WELDING GLOVE BERBASIS SENSOR IMU UNTUK PENGENALAN POSISI PENGELASAN. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0922040055 - Chika Bintang Yudina Rahmania - Implementasi Metode LSTM pada _i_Welding Glove__i_ Berbasis Sensor IMU untuk Pengenalan Posisi Pengelasan-1.pdf Download (4MB)

Abstract

Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem wearable berbasis multi-sensor Inertial Measurement Unit (IMU) untuk klasifikasi otomatis posisi pengelasan menggunakan metode Long Short-Term Memory (LSTM). Sistem yang dikembangkan mampu mengenali empat posisi pengelasan, yaitu 1G (flat), 2G (horizontal), 3G (vertical), dan 4G (overhead) berdasarkan pola pergerakan tangan welder selama proses pengelasan berlangsung. Akuisisi data dilakukan menggunakan sensor IMU ICM-20948 yang terintegrasi dengan perangkat wearable berbasis ESP32. Data accelerometer, gyroscope, dan magnetometer yang diperoleh kemudian melalui tahapan preprocessing yang meliputi filtering, normalisasi, dan segmentasi (windowing) sebelum digunakan sebagai masukan bagi model LSTM. Model LSTM yang telah dilatih berhasil mengklasifikasikan posisi pengelasan berdasarkan data time-series pergerakan tangan dan diintegrasikan dengan sistem monitoring secara real-time. Data sensor dikirimkan ke backend Python menggunakan protokol HTTP untuk diproses, disimpan ke dalam basis data, serta ditampilkan pada dashboard berbasis web. Dashboard menyediakan visualisasi hasil klasifikasi secara real-time, riwayat aktivitas, grafik aktivitas, serta informasi performa klasifikasi sehingga memudahkan proses pemantauan aktivitas pengelasan secara berkelanjutan. Berdasarkan hasil pengujian, model LSTM memperoleh accuracy sebesar 96%, dengan macro average precision sebesar 98%, macro average recall sebesar 95%, dan macro average F1-score sebesar 96%. Selain itu, pada pengujian sistem secara real-time, diperoleh nilai confidence rata-rata sebesar 91,41% pada posisi 1G, 90,27% pada posisi 2G, 91,09% pada posisi 3G, dan 95,04% pada posisi 4G, serta rata-rata latency sebesar 33,33 ms (0,033 detik). Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu melakukan klasifikasi posisi pengelasan dan monitoring aktivitas secara real-time, sehingga dapat mendukung evaluasi aktivitas welder secara lebih objektif serta menjadi salah satu penerapan teknologi sensor dan kecerdasan buatan pada industri maritim dan perkapalan

Actions (login required)

View Item