Article Sidebar

Download
PDF

Main Article Content

Abstract

Kualitas standarisasi kelayakan kemasan menjadi parameter utama pada bidang industri untuk mencapai visi dan misi perusahaan dalam memastikan produk yang dihasilkan telah memenuhi standar yang diharapkan. Sistem pemilahan produk umumnya masih dilakukan dengan cara manual dengan pengamatan visual yang rentan terhadap ketidakakuratan dan interpretasi subjektif oleh operator yang menyebabkan kesalahan dalam mengenali produk. Penelitian ini melakukan perancangan sistem sortir produk dengan penambahan arsitektur UNet-Inception pada model CNN. Arsitektur UNet-Inception yang dikembangkan peneliti memiliki konstruksi layer konvolusi sebanyak 5 layer, pooling layer sebanyak 2 layer, up sampling 1 layer, serta pola concatenate sebanyak 1 layer, penambahan layer inception convolutional (Concv2D) dengan neuron hidden sebanyak 128 neuron. Model dengan penambahan arsitektur UNet-Inception berhasil mencapai tingkat akurasi training yang lebih tinggi daripada model tanpa arsitektur UNet-Inception dengan perbandingan yakni 98,39% berbanding 71,47%. Pada pengujian deteksi real-time didapatkan akurasi sebesar 93,34%. Sistem yang diciptakan mampu melakukan klasifikasi produk dengan sangat baik berdasarkan karakteristik bercak pada panjang bercak 3 cm, 5 cm, dan 7 cm, dengan akurasi keberhasilan mencapai 100%. Sistem integrasi dalam bentuk sortir yang telah diimplementasikan berhasil memberikan respons aksi reject yang sesuai dengan hasil deteksi produk cacat dengan akurasi keberhasilan mencapai 100%.

Keywords

UNet-Inception CNN Sortir Kecacatan Klasifikasi

Article Details

License

Copyright (c) 2023 Richo Richo, Ryan Yudha Adhitya, Muhammad Khoirul Hasin, Mat Syai’in, Edy Setiawan

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

References

  1. S. Setyo and E. Waziiroh, Teknologi Pengolahan Tepung Terigu dan Olahannya di Industri. Universitas Brawijaya PRESS, 2019.
  2. D. T. Utomo, “ALTERNATIF PENERAPAN TEKNOLOGI INFORMASI DALAM PENENTUAN SUPPLIER INDUSTRI MANUFAKTUR BERBASIS BILL of MATERIAL DAN GROUP TECHNOLOGY,” Dr. Diss. Politek. Negeri Jember, 2021.
  3. Widianingsih, D. Tri, W. Rahayu, and H. Sulistiono, “Perancangan Sistem Informasi Penyewaan Kamera Digital pada Allazza Rental Berbasis Java,” J. Ris. dan Apl. Mhs. Inform., vol. 04, no. 2, pp. 240–247.
  4. Racellita and Megawati, “Pengaruh Kualitas Produk, Harga, Citra Merek Dan Promosi Terhadap Minat Beli Konsumen Terhadap Operator Kartu Seluler Tri (3) Di Palembang,” Publ. Ris. Mhs. Manaj., vol. 3, no. 1, pp. 78–91, 2021.
  5. Richo, R. Y. Adhitya, M. K. Hasin, M. Syai, and E. Setiawan, “Analisis Pengaruh Optimizer pada Model CNN untuk Identifikasi Cacat pada Perekat Kemasan,” J. SISFOTENIKA, vol. 13, no. 2, pp. 217–229, 2023.
  6. R. A. F. CHANIAGO, “KOMBINASI ARSITEKTUR UNET-INCEPTION DAN DROPOUT DALAM PROSES SEGMENTASI CITRA TIGA DIMENSI TUMOR OTAK DARI MAGNETIC RESONANCE IMAGING,” 2023.
  7. J. Aprilyanto and Yohannes, “IMPLEMENTASI ARSITEKTUR VGG-UNET DALAM MELAKUKAN SEGMENTASI KERETAKAN PADA CITRA BANGUNAN,” MDP STUDENT Conf. 2023, pp. 257–264, 2023.
  8. U. Ungkawa and G. A. L. Hakim, “Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 11, no. 3, pp. 731–743, 2023.
  9. J. Christian, S. Iskandar, and A. Idrus, “Introduction to Citrus Fruit Ripens Using the Deep Learning Convolutional Neural Network ( CNN ) Learning Method Pengenalan Kematangan Buah Jeruk Dengan Metode Pembelajaran Deep Learning Convolutional Neural Network ( CNN ),” vol. 2, no. 3, pp. 459–470, 2023.
  10. N. Puspitasari, K. Nugroho, and K. Hadiono, “Usability Deteksi Tumor Otak Menggunakan Metode DNN ( Deep Neural Network ) Berbasis Citra Medis Pada DICOM Usability of Brain Tumor Detection Using the DNN ( Deep Neural Network ) Method Based on Medical Image on DICOM,” CESS (Journal Comput. Eng. Syst. Sci., vol. 8, no. 2, pp. 619–632, 2023.
  11. K. Azmi, S. Defit, and S. Sumijan, “Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Batik Tanah Liat Sumatera Barat,” J. Unitek, vol. 16, no. 1, pp. 28–40, 2023, doi: 10.52072/unitek.v16i1.504.
  12. S. Sheila, M. K. Anwar, A. B. Saputra, F. R. Pujianto, and I. P. Sari, “Deteksi Penyakit pada Tanaman Padi Menggunakan Pengolahan Citra Digital dengan Metode Convolutional Neural Network,” J. Electr. Syst. Control Eng., vol. 6, no. 2, pp. 98–108, 2023, doi: 10.31289/jesce.v6i2.7930.
  13. W. Luo, G. Zhang, Q. Shao, X. Li, Z. Wang, and X. Zhu, “Highly Accurate and Reliable Tracker for UAV-Based Herd Monitoring,” 2023, doi: 10.20944/preprints202306.1669.v1.