Article Sidebar
Main Article Content
Abstract
Metode Visual Testing menjadi salah satu metode yang umum digunakan untuk inspeksi hasil pengelasan kategori NDT. Metode ini biasanya digunakan sebagai metode pendeteksian awal hasil pengelasan sebelum dilakukan meetode pengujian lain. Penggunaan teknologi pengolahan citra diusulkan untuk membantu proses inspeksi visual hasil pengelasan. Pada penelitian ini model U-Net yang dikombinasi dengan CNN digunakan untuk proses klasifikasi hasil pengelasan. Hasil pengelasan yang coba diklasifikasi berupa hasil las normal, excessive reinforcement, porosity, dan undercut pada pipa baja karbon A106 Grade B. Model arsitektur terdiri dari arsitektur U-Net dengan kedalaman encoder dan decoder sebanyak 2 serta kombinasi layer klasifikasi CNN pada bagian akhir decoder. Penggunaan optimizer pada pelatihan model digunakan untuk mengoptimalkan proses pelatihan data pada model agar tingkat akurasi pelatihan dari model dapat lebih baik dan terhidar dari overfitting dan underfitting. Terdapat 3 tipe optimizer yang akan diterapkan pada model dan dicoba untuk dianalisis yaitu, Adam, SGDM, dan RMSprop. Didapatkan hasil optimizer SGDM pada akurasi pelatihan sebesar 98.75% dan hasil uji terhadap 40 citra baru sebesar 92.5%. Model berhasil membedakan hasil pengelasan menjadi normal, excessive reinforcement, undercut, dan porosity.
Keywords
Article Details
Copyright (c) 2024 Muhammad Rizki Mubarrok, Ryan Yudha Adhitya, Mochammad Karim Al Amin
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
- M. Junaedy and R. Hasrun, “Assesmen Bangunan Gedung Dengan Metode Non Destructive Test (Ndt) Dan Destructive Test (Dt),” 2023, [Online]. Available: https://journal.unm.ac.id/index.php/Semnasdies62/index
- A. Khumaidi and R. L. Pradana, “Identifikasi Penyebab Cacat Pada Hasil Pengelasan Dengan Image Processing Menggunakan Metode Yolo,” J. Tek. Elektro dan Komput. TRIAC, vol. 9, no. 3, pp. 107–112, 2022, [Online]. Available: https://journal.trunojoyo.ac.id/triac/article/view/15997
- R. Andiana, R. Adhitya, A. M. Amri, and P. Perkapalan Negeri Surabaya, “Penerapan Metode LSB Untuk Perbaikan Kualitas Citra Pada Proses Inspeksi Visual Pengelasan,” vol. 1, no. 2, pp. 151–156, 2022, [Online]. Available: http://melatijournal.com/index.php/Metta
- M. Karim et al., “Rancang Bangun Aplikasi Intelligent Visual Scanner berbasis CNN untuk identifikasi cacat pada hasil pengelasan,” vol. 4, no. 2, pp. 1–11, 2023.
- A. Akter et al., “Robust clinical applicable CNN and U-Net based algorithm for MRI classification and segmentation for brain tumor,” Expert Syst. Appl., vol. 238, no. PF, p. 122347, 2024, doi: 10.1016/j.eswa.2023.122347.
- S. Tommy, N. Siti, M. T. Roseno, and H. Syaputra, “Segmentasi Ruang Jantung Dalam Kondisi Kardiomegali Menggunakan Metode CNN Dengan,” vol. 12, pp. 455–461, 2023.
- Y. A. Suwitono and F. J. Kaunang, “Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras,” J. Komtika (Komputasi dan Inform., vol. 6, no. 2, pp. 109–121, 2022, doi: 10.31603/komtika.v6i2.8054.
- H. Miao, Z. Zhao, C. Sun, B. Li, and R. Yan, “A U-Net-Based Approach for Tool Wear Area Detection and Identification,” IEEE Trans. Instrum. Meas., vol. 70, 2021, doi: 10.1109/TIM.2020.3033457.
- A. Ghosh, A. Sufian, F. Sultana, A. Chakrabarti, and D. De, Fundamental concepts of convolutional neural network, vol. 172, no. June. 2019. doi: 10.1007/978-3-030-32644-9_36.
- I. Nihayatul Husna, M. Ulum, A. Kurniawan Saputro, D. Tri Laksono, and D. Neipa Purnamasari, “Rancang Bangun Sistem Deteksi Dan Perhitungan Jumlah Orang Menggunakan Metode Convolutional Neural Network (CNN),” Semin. Nas. Fortei Reg., vol. 7, p. 2, 2022.
- R. Kurniawan, P. B. Wintoro, Y. Mulyani, and M. Komarudin, “Implementasi Arsitektur Xception Pada Model Machine Learning Klasifikasi Sampah Anorganik,” J. Inform. dan Tek. Elektro Terap., vol. 11, no. 2, pp. 233–236, 2023, doi: 10.23960/jitet.v11i2.3034.
- M. K. Al Amin et al., “Analysis of Optimizer Effects on CNN Model for Defect Identification in Welding Results of A 106 Grade B Carbon Steel Pipe,” in 2023 International Conference on Electrical Engineering and Informatics (ICEEI), 2023, pp. 1–6. doi: 10.1109/ICEEI59426.2023.10346872.
- I. Gusmanda, J. Raharjo, and E. Suhartono, “Deteksi Penyakit Pneumonia Berbasis Citra X-,” Telkom Univ., vol. 10, no. 6, pp. 5178–5181, 2023.
References
M. Junaedy and R. Hasrun, “Assesmen Bangunan Gedung Dengan Metode Non Destructive Test (Ndt) Dan Destructive Test (Dt),” 2023, [Online]. Available: https://journal.unm.ac.id/index.php/Semnasdies62/index
A. Khumaidi and R. L. Pradana, “Identifikasi Penyebab Cacat Pada Hasil Pengelasan Dengan Image Processing Menggunakan Metode Yolo,” J. Tek. Elektro dan Komput. TRIAC, vol. 9, no. 3, pp. 107–112, 2022, [Online]. Available: https://journal.trunojoyo.ac.id/triac/article/view/15997
R. Andiana, R. Adhitya, A. M. Amri, and P. Perkapalan Negeri Surabaya, “Penerapan Metode LSB Untuk Perbaikan Kualitas Citra Pada Proses Inspeksi Visual Pengelasan,” vol. 1, no. 2, pp. 151–156, 2022, [Online]. Available: http://melatijournal.com/index.php/Metta
M. Karim et al., “Rancang Bangun Aplikasi Intelligent Visual Scanner berbasis CNN untuk identifikasi cacat pada hasil pengelasan,” vol. 4, no. 2, pp. 1–11, 2023.
A. Akter et al., “Robust clinical applicable CNN and U-Net based algorithm for MRI classification and segmentation for brain tumor,” Expert Syst. Appl., vol. 238, no. PF, p. 122347, 2024, doi: 10.1016/j.eswa.2023.122347.
S. Tommy, N. Siti, M. T. Roseno, and H. Syaputra, “Segmentasi Ruang Jantung Dalam Kondisi Kardiomegali Menggunakan Metode CNN Dengan,” vol. 12, pp. 455–461, 2023.
Y. A. Suwitono and F. J. Kaunang, “Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras,” J. Komtika (Komputasi dan Inform., vol. 6, no. 2, pp. 109–121, 2022, doi: 10.31603/komtika.v6i2.8054.
H. Miao, Z. Zhao, C. Sun, B. Li, and R. Yan, “A U-Net-Based Approach for Tool Wear Area Detection and Identification,” IEEE Trans. Instrum. Meas., vol. 70, 2021, doi: 10.1109/TIM.2020.3033457.
A. Ghosh, A. Sufian, F. Sultana, A. Chakrabarti, and D. De, Fundamental concepts of convolutional neural network, vol. 172, no. June. 2019. doi: 10.1007/978-3-030-32644-9_36.
I. Nihayatul Husna, M. Ulum, A. Kurniawan Saputro, D. Tri Laksono, and D. Neipa Purnamasari, “Rancang Bangun Sistem Deteksi Dan Perhitungan Jumlah Orang Menggunakan Metode Convolutional Neural Network (CNN),” Semin. Nas. Fortei Reg., vol. 7, p. 2, 2022.
R. Kurniawan, P. B. Wintoro, Y. Mulyani, and M. Komarudin, “Implementasi Arsitektur Xception Pada Model Machine Learning Klasifikasi Sampah Anorganik,” J. Inform. dan Tek. Elektro Terap., vol. 11, no. 2, pp. 233–236, 2023, doi: 10.23960/jitet.v11i2.3034.
M. K. Al Amin et al., “Analysis of Optimizer Effects on CNN Model for Defect Identification in Welding Results of A 106 Grade B Carbon Steel Pipe,” in 2023 International Conference on Electrical Engineering and Informatics (ICEEI), 2023, pp. 1–6. doi: 10.1109/ICEEI59426.2023.10346872.
I. Gusmanda, J. Raharjo, and E. Suhartono, “Deteksi Penyakit Pneumonia Berbasis Citra X-,” Telkom Univ., vol. 10, no. 6, pp. 5178–5181, 2023.