Deteksi Kerusakan Permukaan Material Industri dan Permukaan Material Polimer Berdasarkan Gambar Mikrostruktur Dengan Metode Mask Region - Based Convolutional Neural Network

Hutapea, Dame Jeremia (2021) Deteksi Kerusakan Permukaan Material Industri dan Permukaan Material Polimer Berdasarkan Gambar Mikrostruktur Dengan Metode Mask Region - Based Convolutional Neural Network. Undergraduate thesis, Universitas 17 Agustus 1945 Surabaya.

	Text ABSTRAK.pdf Download (651kB)
	Text BAB 1.pdf Restricted to Repository staff only Download (112kB) | Request a copy
	Text BAB 2.pdf Restricted to Repository staff only Download (560kB) | Request a copy
	Text BAB 3.pdf Restricted to Repository staff only Download (762kB) | Request a copy
	Text BAB 4.pdf Restricted to Repository staff only Download (4MB) | Request a copy
	Text BAB 5.pdf Restricted to Repository staff only Download (122kB) | Request a copy
	Text JURNAL.pdf Download (559kB)
	Text JURNAL TURNITIN.pdf Download (2MB)

Abstract

Dalam dunia industri, terdapat tugas untuk memastikan kualitas dari material industri bebas dari kerusakan terutama pada permukaan produk. Seringkali untuk melakukan kontrol kualitas permukaan material dilakukan secara manual oleh manusia yang ahli dibidangnya untuk mengidentifikasi kerusakan permukaan material yang kompleks. Untuk melakukan identifikasi tersebut memerlukan waktu dan tidak efisien. Penelitian ini ditujukan untuk melakukan deteksi kerusakan material pada permukaan produk industri. Dengan teknologi computer vision dapat dilakukan klasifikasi kerusakan material pada permukaan produk industri seperti permukaan material yang retak, tergores dan tertimpa benda. Dataset yang digunakan sebanyak 399 data yang berisikan data dengan defect sebanyak 52 data dan 347 data tanpa defect dan dataset yang digunakan untuk void sebanyak 17 data. Dalam 17 data terdapat 247 area kerusakan yang digunakan untuk deteksi void. Area yang mengalami kerusakan dideteksi dan disegmentasi dengan metode Mask Region Based-Convolutional Neural Network (Mask R-CNN). Metode ini terdiri dari dua langkah utama, yaitu deteksi area kerusakan menggunakan metode faster r-cnn dan tahap segmentasi area tersebut menggunakan jaringan segnet deep convolutional encoder – decoder. Dari hasil segmentasi yang diperoleh dapat diukur prosentase luasan kerusakan serta sebaran kerusakan pada permukaan material untuk menentukan kekuatannya. Evaluasi kinerja pada segmentasi untuk defect memiliki nilai rata – rata precision 50,60 %. sensitivity 87,84 %, specificity 15,38 % dan dice similarity 62,76 % dan segmentasi untuk void rata – rata precision 87,97 %, sensitivity 78,46 %, specificity 85,37% dan dice similarity 76,41 %. Pada pengujian pertama deteksi kerusakan defect tingkat confidence level sebesar 89,80 % dan void tingkat confidence level sebesar 99,99 %

Actions (login required)

View Item