Sistem Deteksi Kecacatan Permukaan Permen Lolipop Berdasarkan Citra Menggunakan Metode Convolutional Neural Network

Pradana, Dary Rafi Putra (2022) Sistem Deteksi Kecacatan Permukaan Permen Lolipop Berdasarkan Citra Menggunakan Metode Convolutional Neural Network. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 10311810003004-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (7MB)

Abstract

PT Fonusa Agung Mulia memproduksi permen lolipop sebanyak 40 ton setiap harinya. Permen tersebut akan disortir kualitasnya oleh petugas quality control (QC), dengan cara mengambil permen cacat produksi berdasarkan bentuk permukaannya. Proses ini memiliki beberapa kekurangan yaitu ketajaman mata dan ketelitian setiap orang berbeda-beda, sehingga menyebabkan lolosnya permen cacat dari proses QC. Hal tersebut merupakan masalah apabila permen cacat produksi sampai kepada pelanggan, karena akan memperngaruhi kualitas dan kepercayaan pelanggan. Pada proyek akhir ini dibuat prototipe mesin sortir yang di dalamnya terdapat sistem deteksi kecacatan permukaan permen berdasarkan citra yang mengunakan konsep deep learning dengan metode convolutional neural network (CNN). CNN memanfaatkan proses konvolusi dengan menggerakan sebuah kernel konvolusi (filter) berukuran tertentu ke sebuah gambar, sehingga komputer mendapatkan informasi representatif baru dari hasil perkalian bagian gambar tersebut dengan filter yang digunakan. Setiap hasil informasi tersebut dihubungkan dengan jaringan syaraf tiruan dan menghasilkan parameter bobot latih. Hasil parameter bobot latih tersebut kemudian dicocokan dengan citra dari objek yang dideteksi dengan model yang telah dilatih sebelumnya. CNN yang digunakan berjenis one stage object detector yaitu YOLOv3-Tiny custom. Sistem deteksi ini mendeteksi dan mengklasifikasi permen yang ada pada konveyor mesin sortir, hasil deteksi dan klasifikasi permen akan tampil pada monitor laptop dan indikator deteksi, disaat yang bersamaan laptop mengirim koordinat hasil deteksi pada controller arm robot menggunakan kabel serial, agar arm robot dapat melakukan penyortiran dan bergerak sesuai dengan koordinat deteksi. Sistem deteksi kecacatan permukaan permen menggunakan model deteksi YOLOv3-Tiny custom berhasil mendeteksi kecacatan permukaan permen dan mengklasifikasi kategori permen. Hasil deteksi permen optimal dengan tingkat pencahayaan sebesar 333-337 lux yang dilakukan di dalam ruangan dengan nilai mean average precision (mAP) deteksi sebesar 84%. Namun nilai tersebut akan mengalami penurunan jika mendeteksi dan mengklasifikasi beberapa permen dalam satu frame deteksi dengan hasil mAP menjadi 79,6%. Saat sistem deteksi kecacatan permukaan permen dilakukan pada konveyor yg sedang berjalan dengan kecepatan 13-27 cm/detik, maka nilai mAP yang didapatkan adalah 79,2%.
==============================================================================================================================
PT Fonusa Agung Mulia produces 40 tons of lollipops every day. The quality of the candy will be sorted by the quality control (QC) officer, by taking the defective candy based on the shape of the surface. This process has several drawbacks, namely the sharpness of the eye and the accuracy of each person is different, thus causing the pass of defective candy from the QC process. This is a problem if the defective candy reaches the customer, because it will affect the quality and customer trust. In this final project, a sorting machine prototype is made in which there is a candy surface defect detection system based on images that uses the concept of deep learning with the convolutional neural network (CNN) method. CNN utilizes the convolution process by moving a convolution kernel (filter) of a certain size onto an image, so that the computer gets new representative information from the result of multiplying that part of the image with the filter used. Each information result is connected to an artificial neural network and produces training weight parameters. The results of the training weight parameters are then matched with the image of the detected object with the previously trained model. The CNN used is a one-stage object detector, namely YOLOv3-Tiny custom. This detection system detects and classifies candy on the conveyor of the sorting machine, the results of detection and classification of sweets will appear on the laptop monitor and detection indicator, at the same time the laptop sends the coordinates of the detection results to the robot arm controller using a serial cable, so that the robot arm can sort and move according to the detection coordinates. The candy surface defect detection system using the custom YOLOv3-Tiny detection model succeeded in detecting candy surface defects and classifying candy categories. Optimal candy detection results with a lighting level of 333-337 lux carried out indoors with a mean average precision (mAP) detection value of 84%. However, this value will decrease if it detects and classifies several candies in one detection frame with the mAP result being 79.6%. When the candy surface defect detection system is carried out on a conveyor that is running at a speed of 13-27 cm/second, the mAP value obtained is 79.2%.

Item Type:	Thesis (Diploma)
Additional Information:	RSEO 629.89 Pra s-1 2022
Uncontrolled Keywords:	Kecacatan Permukaan Permen, Permen Lolipop, Quality Control, Deep Learning, Convolutional Neural Network, YOLO. Candy Surface Defect, Lollipop, Quality Control, Deep Learning, Convolutional Neural Network, YOLO.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK3070 Automatic control
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Mr. Marsudiyana -
Date Deposited:	15 Jul 2026 07:45
Last Modified:	15 Jul 2026 07:45
URI:	http://repository.its.ac.id/id/eprint/135082

Actions (login required)

View Item