Pengembangan Segmentasi Korosi Menggunakan Metode Deep Learning Double Architecture Untuk Mengurangi Kerugian Akibat Kesalahan Inspeksi Secara Manual

Juliarsyah, Mohammad Rizanto (2024) Pengembangan Segmentasi Korosi Menggunakan Metode Deep Learning Double Architecture Untuk Mengurangi Kerugian Akibat Kesalahan Inspeksi Secara Manual. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6007221038-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Sistem inspeksi korosi merupakan salah satu komponen utama dalam sebuah industri manufaktur. Di pabrik manufaktur yang ada di Bogor yaitu di PT Sejahtera Tridaya Prima melakukan inspeksi secara manual. Dari inspeksi manual tersebut masih ada kecacatan metal berupa korosi yang masih lolos dari inspeksi. Maka dari itu dibuatlah sistem inspeksi korosi secara otomatis untuk mengurangi kerugian industri manufaktur akibat dari inspeksi secara manual. Penelitian terdahulu diketahui inspeksi otomatis menggunakan metode deep learning masih memiliki akurasi sekitar 67%-88%, hal tersebut diketahui berpengaruh pada hasil segmentasi. Oleh karena itu pada penelitian ini akan digunakan double architecture deep learning untuk mendapatkan akurasi lebih baik.
Metode yang digunakan untuk melakukan studi eksperimental adalah menciptakan sebuah model arsitektur yang akan digunakan untuk segmentasi cacat dari pada metal dengan menggunakan sensor kamera. Metode yang akan digunakan adalah metode deep learning dengan double architecture yaitu VGG16-UNET dan VGG16-Randomforest. Proses awal dari penelitian ini adalah mencari dataset dengan mengumpulkan foto metal dengan model korosi yang berbeda sebanyak 75 gambar yang berbeda kemudian dilakukan proses perubahan derajat dan brightness sehingga total seluruh dataset sebanyak 600 gambar, kemudian melakukan proses labeling sebelum dilakukan training dengan menggunakan Jupiter Notebook pada aplikasi Anaconda kemudian dilakukan proses training, testing, dan Crossvalidation yang akan memunculkan akurasi dimana akurasi tersebut berpengaruh dalam hasil segmentasi, setelah itu dilakukan validation test dengan cara test menggunakan hasil foto material korosi yang ada di pabrik dan cara testing kedua dilakukan dengan cara segmentasi langsung menggunakan kamera webcam melalui sistem yang telah di ciptakan.
Dari hasil penelitian ini, setelah di tambahkan double architecture Hasil akurasi terbaik pada metode VGG16-UNET dengan menggunakan data test sebanyak 20% dari dataset yaitu sekitar 120 gambar dan didapatkan akurasi sebesar 98,96%. Selain data kualitatif yang didapatkan juga di
dapatkan hasil prediksi segmentasi didapatkan hasil lebih baik jika menggunakan VGG16-UNET daripada menggunakan metode UNET dan VGG16-RandomForest dikarenakan menggunakan metode UNET mendapatkan akurasi sebesar 89,15% dan VGG16-RandomForest mendapatkan akurasi sebesar 90%.
========================================================================================================================
A corrosion inspection system is one of the main components in the manufacturing industry. In a manufacturing plant in Bogor, PT Sejahtera Tridaya Prima conducts inspections manually. From these manual inspections, there are still metal defects in the form of corrosion that still escape inspection. Therefore, an automatic corrosion inspection system is designed to reduce manufacturing industry losses due to manual inspections. Previous research found that automatic inspection using deep learning methods still has an accuracy of around 67%–88%, which is known to affect the segmentation results. Therefore, this research will use a double deep learning architecture to get better accuracy.
The method used to conduct the experimental study is to create an architecture model that will be used for defect segmentation of metal using a camera sensor. The method that will be used is the deep learning method with double architecture, namely VGG16-UNET and VGG16-Randomforest. The initial process of this research is to search for datasets by collecting photos of metal with different corrosion models as many as 75 different images then the process of changing the degree and brightness so that the total dataset is 600 images, then do the labeling process before training using Jupiter Notebook in the Anaconda application then the training, testing, and Crossvalidation process will bring up the accuracy where the accuracy affects the segmentation results, after that a validation test is carried out using a test method using the results of photos of corrosion materials in the factory and the second testing method is carried out by segmenting directly using a webcam camera through the system that has been created.
From the results of this study, after adding double architecture, the best accuracy results in the VGG16-UNET method using test data as much as 20% of the dataset, which is around 120 images, and obtained an accuracy of 98.96%. In addition to the qualitative data obtained, the segmentation prediction results are better when using VGG16-UNET than using the UNET and VGG16-RandomForest methods because using the UNET method gets an accuracy of 89.15% and VGG16-RandomForest gets an accuracy of 90%.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Inspeksi korosi secara otomatis dan manual, VGG16-UNET dan VGG16-Randomforest, Labeling, Training, Testing, Jupiter Notebook, Akurasi. ======================================================================================================================== Corrosion inspection system, Automatic and manual corrosion inspection, VGG16-UNET and VGG16-Randomforest, Labeling, Training, Testing, Jupiter Notebook, Accuracy.
Subjects:	T Technology > T Technology (General) > T174.5 Technology--Risk assessment. T Technology > T Technology (General) > T57.5 Data Processing T Technology > TJ Mechanical engineering and machinery > TJ174 Maintenance and repair of machinery
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21101-(S2) Master Thesis
Depositing User:	Mohammad Rizanto Juliarsyah
Date Deposited:	08 Aug 2024 11:48
Last Modified:	08 Aug 2024 11:48
URI:	http://repository.its.ac.id/id/eprint/114572

Actions (login required)

View Item