Penerapan Metode Deep Learning Convolutional Neural Network (CNN) untuk Mengenali Pola Gerakan Tangan Juru Las yang Dimonitor Menggunakan Sensor Gerak

Virmansyah, Vialdo Muhammad (2025) Penerapan Metode Deep Learning Convolutional Neural Network (CNN) untuk Mengenali Pola Gerakan Tangan Juru Las yang Dimonitor Menggunakan Sensor Gerak. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6018221007-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Teknologi pengelasan merupakan salah satu bagian yang tidak dapat dipisahkan dalam industri manufaktur bidang perkapalan. Juru las khususnya di galangan kapal di negara berkembang adalah komponen utama dalam proses pengelasan tersebut, terutama aktivitas pengelasan itu sendiri. Kasus penurunan kinerja juru las cukup sering terjadi pada pembangunan kapal yang dipengaruhi faktor keahlian dan stamina juru las selama proses pengelasan berlangsung. Hal ini dapat terjadi pada juru las yang sudah memiliki kualifikasi apabila bekerja secara terus menerus. Selain itu faktor kedisiplinan juru las dan penggantian personil juru las oleh personil juru las yang lain seringkali terjadi di galangan kapal. Tujuan dari penelitian ini adalah mengatasi permasalahan diatas dengan mengenali pola gerakan tangan masing-masing juru las yang mengenakan sensor gerak (akselerometer, giroskop, dan magnetometer). Dengan memonitor sensor gerak kita dapat mengetahui tipikal gerakan tangan juru las yang memiliki pola yang berbeda sehingga nantinya dapat dimonitor jika juru las melakukan kesalahan dalam pola gerakan tangan sesuai Welding Procedure Specification (WPS). Pada penelitian ini akan dikembangkan metode Deep Learning CNN dan LSTM dengan konfigurasi yang tepat (jumlah node, jumlah layer, activation function) sehingga dapat mengenali gerakan tangan masing-masing juru las yang memiliki kualifikasi yang sama. Pertama, dilakukan pengambilan data menggunakan alat wearable device yang dilengkapi sensor akselerometer, giroskop, dan magnetometer. Kedua, melalui data hasil tersebut dianalisis dan dievaluasi menggunakan deep learning dengan algoritma Convolutional Neural Network-Long Short Term Memory (CNN-LSTM) untuk data aktivitas pengelasan SMAW dan FCAW yang terdiri dari pengelasan posisi 1G, 2G, 3G. Hasil pengujian menunjukkan tingkat akurasi klasifikasi sebesar 99,73% untuk mengenali identitas juru las pada pengelasan FCAW, 97,07% untuk menentukan posisi pengelasan tiap juru las pada pengelasan FCAW, 95,04% untuk mengenali identitas juru las pada pengelasan SMAW, 77,19% untuk menentukan posisi pengelasan tiap juru las pada pengelasan SMAW.
=================================================================================================================================
Welding technology is an integral part of the manufacturing industry, particularly in shipbuilding. Welders, especially those working in shipyards in developing countries, are the key components in the welding process, particularly in executing the welding tasks themselves. A decline in welder performance is a common issue during ship construction, often influenced by the welder’s skill level and stamina throughout the welding process. This decline can even affect certified welders when they are required to work continuously. In addition, discipline issues and the substitution of one welder by another are frequent occurrences in shipyards. The aim of this study is to address these problems by recognizing the unique hand movement patterns of individual welders wearing motion sensors (accelerometers, gyroscopes, and magnetometers). By monitoring motion sensor data, it is possible to identify each welder’s distinctive hand movement patterns, which can also help detect deviations from the specified hand motions outlined in the Welding Procedure Specification (WPS). This study develops a Deep Learning method using Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) with optimized configurations (including the number of nodes, layers, and activation functions) to recognize hand movements of welders with similar qualifications. First, data collection is conducted using a wearable device equipped with accelerometer, gyroscope, and magnetometer sensors. Second, the collected data are analyzed and evaluated using the CNN-LSTM algorithm to assess welding activities for both Shielded Metal Arc Welding (SMAW) and Flux-Cored Arc Welding (FCAW) across welding positions 1G, 2G, and 3G. The evaluation results show a classification accuracy of 99.73% for identifying welder identity in FCAW welding, 97.07% for determining welding position per welder in FCAW, 95.04% for identifying welder identity in SMAW, and 77.19% for determining welding position per welder in SMAW.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Teknologi Pengelasan, Deep Learning, CNN-LSTM, Identifikasi Juru Las, Sensor Gerak, SMAW, FCAW, Welding Technology, Deep Learning, CNN-LSTM, Welder Identification, Motion Sensors, SMAW, FCAW
Subjects:	V Naval Science > VM Naval architecture. Shipbuilding. Marine engineering V Naval Science > VM Naval architecture. Shipbuilding. Marine engineering > VM298.5 Shipbuilding industri. Shipyards
Divisions:	Faculty of Marine Technology (MARTECH) > Naval Architecture and Shipbuilding Engineering > 36101-(S2) Master Thesis
Depositing User:	Vialdo Muhammad Virmansyah
Date Deposited:	13 Aug 2025 00:39
Last Modified:	13 Aug 2025 00:39
URI:	http://repository.its.ac.id/id/eprint/128078

Actions (login required)

View Item