Pembangkitan Deskripsi Citra Kerusakan Produk Menggunakan Model Anomaly Textto-Text Transfer Transformer

Melicca, Shellyn (2025) Pembangkitan Deskripsi Citra Kerusakan Produk Menggunakan Model Anomaly Textto-Text Transfer Transformer. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002211108-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Pengenalan kerusakan suatu produk sebelum diluncurkan ke pasar sangat krusial terkait keamanan dan kenyamanan yang diberikan kepada konsumen sebelum digunakan. Tidak hanya pengenalan kerusakan produk secara klasifikasi, namun penambahan deskripsi tentang jenis kerusakannya sangat membantu dalam perbaikan proses produksi, terlebih lagi secara masal. Terdapat sebuah studi terkait dengan membangun sebuah model AnomalyGPT yang didasarkan pada model PandaGPT-4. Penelitian Tugas Akhir ini mengimplementasikan model T5 ke dalam AnomalyGPT yang disebut AnomalyT5 untuk membangkitkan deskripsi. Adapun sebagai tambahan model LLaMA-2 pada model AnomalyGPT yang disebut AnomalyLLaMA-2. Hasil eksperimen menunjukkan bahwa model AnomalyLLaMA-2 memiliki performasi paling baik dengan mempunyai nilai metrik BERTscore, ROUGE, Flesch-Kincaid, dan BLEU yang lebih besar dari model AnomalyGPT, dan AnomalyT5 dengan T5-base dan T5-3B.
=========================================================================================================================================
Product defect recognition is crucial before it gets launched on the market for consumer’s safety and satisfaction. Not only that, providing defect description can be helpful to maintain the production or even on mass scale. Related studies are limited discussing on small scale defect or anomaly one. One recent study presented a model called AnomalyGPT by combining PandaGPT-4. This Final Project research implements T5 model to AnomalyGPT, — which are called AnomalyT5, — to generate description. Additionally, this research also implements LLaMA-2 to AnomalyGPT model, which are called AnomalyLLaMA-2. Experiment result shows that AnomalyLLaMA-2 have the best performance from BERTscore, ROUGE, Flesch-Kincaid, and BLEU metrics, scoring higher than AnomalyGPT, AnomalyT5 with T5-base and T5-3B models.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Pembangkitan teks, Deteksi kerusakan, LLaMA, T5 Text generation, Defect Detection, LLaMA, T5
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Melicca Shellyn
Date Deposited:	28 Jul 2025 06:22
Last Modified:	28 Jul 2025 06:22
URI:	http://repository.its.ac.id/id/eprint/122614

Actions (login required)

View Item