Analisa Teknologi Klasifikasi Defect Welding Pada Frame Body Sepeda Motor Dengan Menggunakan Metode Convolutional Neural Network (CNN)

Ariefa, Imaduddien (2024) Analisa Teknologi Klasifikasi Defect Welding Pada Frame Body Sepeda Motor Dengan Menggunakan Metode Convolutional Neural Network (CNN). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6007212011-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 July 2026. Download (5MB) | Request a copy

Abstract

Rangka merupakan salah satu komponen utama sepeda motor yang berfungsi memberikan kekuatan, kestabilan, dan keamanan untuk kinerja keseluruhan sepeda motor. Pada tahap pengelasan rangka sepeda motor terdapat proses visual inspection, tahap ini bertujuan untuk memastikan hasil pengelasan rangka sepeda motor sesuai dengan standart point pengecekan. Proses visual inspection di PT XY masih dilakukan secara manual dengan bantuan man power sehingga memiliki kelemahan subjektivitas, human error, ketidakmampuan mendeteksi cacat kecil dan keterbatasan waktu. Seiring dengan perkembangan teknologi, machine learning merupakan teknologi yang dapat untuk melakukan proses visual inspection salah satunya dengan menggunakan metode convolution neural network (CNN), penelitian ini akan membuat model CNN untuk proses visual inspection pada hasil pengelasan rangka sepeda motor. Tujuan dari penelitian ini yaitu membuat model CNN dengan validation accuracy model CNN > 95%. Metode yang digunakan pada penelitian ini yaitu menggunakan convolution neural network (CNN) dengan 2 jenis arsitektur yaitu MobileNet-V2 dan GoogleNet. Untuk meningkatkan nilai validation accuracy, penelitian ini menggunakan 3 jenis optimizer yaitu Adam, SGDM dan RMSprop. Jumlah dataset gambar setelah dilakukan prepocessing untuk pelatihan model CNN sebanyak 8704 gambar yang dibagi menjadi 4 kategori incomplate fusion, spatter, void dan no defect. Pada proses pelatihan model CNN, persentase pelatihan dan validasi yang digunakan sebesar 80 % pelatihan dan 20 % untuk validasi. Kemudian untuk mencapai kinerja model CNN yang optimal, learning rate yang digunakan 0,001 dan 0,0001 dan jumlah epoch sebesar 25. Hasil validation accuracy model CNN yang terbaik dari penelitian ini sebesar 98.22 % dengan menggunakan arsitektur MobileNet-V2, learning rate 0.001 dan jenis optimizer yang digunakan yaitu RMSprop. Model CNN terbaik kemudian dilakukan pengujian dengan menggunakan data gambar baru, dari 40 data gambar model CNN dapat mendeteksi cacat pengelasan dengan benar sebanyak 36 gambar sedangkan 4 gambar diprediksi kurang tepat sehingga didapatkan nilai persentase pengujian sebesar 90 %
===================================================================================================================================
The frame is one of the main components of a motorbike which functions to provide strength, stability and safety for the overall performance of the motorbike. At the welding stage of the motorbike frame there is a visual inspection process, this stage aims to ensure that the welding results of the motorbike frame comply with standard checking points. The visual inspection process at PT Along with technological developments, machine learning is a technology that can carry out visual inspection processes, one of which is using the convolution neural network (CNN) method. This research will create a CNN model for the visual inspection process on motorbike frame welding results. The aim of this research is to create a CNN model with a validation accuracy of the CNN model > 95%. The method used in this research is using a convolution neural network (CNN) with 2 types of architecture, namely MobileNet-V2 and GoogleNet. To increase the validation accuracy value, this research uses 3 types of optimizers, namely Adam, SGDM and RMSprop. The number of image datasets after preprocessing for CNN model training is 8704 images which are divided into 4 categories of incomplete fusion, spatter, void and no defect. In the CNN model training process, the percentage of training and validation used is 80% for training and 20% for validation. Then to achieve optimal CNN model performance, the learning rates used are 0.001 and 0.0001 and the number of epochs is 25. The validation accuracy results for the best CNN model from this research are 98.22% using the MobileNet-V2 architecture, learning rate 0.001 and optimizer type used is RMSprop. The best CNN model was then tested using new image data. Of the 40 image data, the CNN model was able to detect welding defects correctly in 36 images, while 4 images were predicted to be inaccurate, resulting in a test percentage value of 90%

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Rangka Sepeda Motor; Visual inspection; Convolution Neural Network (CNN); MobileNet; GoogleNet; Motorcycle Frame; Visual inspection; Convolution Neural Network (CNN); MobileNet; GoogleNet
Subjects:	T Technology > TS Manufactures > TS227 Welding.
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21101-(S2) Master Thesis
Depositing User:	Imaduddien Ariefa
Date Deposited:	12 Feb 2024 07:04
Last Modified:	12 Feb 2024 07:04
URI:	http://repository.its.ac.id/id/eprint/107002

Actions (login required)

View Item