Segmentasi Hasil Potret Cacat Produk pada Spring Washer menggunakan Metode Mask RCNN

Zendi Iklima; Dinar Sakti Candra Ningrum

doi:10.22441/jitkom.v8i2.005

Authors

Zendi Iklima Universitas Mercu Buana
Dinar Sakti Candra Ningrum Universitas Mercu Buana

DOI:

https://doi.org/10.22441/jitkom.v8i2.005

Keywords:

Karat, Mask R-CNN, ResNet, Spring Washer, Segmentasi Citra

Abstract

Spring washer adalah salah satu komponen yang digunakan dalam industri otomotif dan bertindak sebagai sistem penggerak atau retensi untuk unit perakitan. Dalam penelitian ini dilakukan analisa terhadap kegagalan fungsi yaitu karat pada spring washer. Analisa dilakukan untuk mengetahui perbedaan antara spring washer yang berkarat dan tidak berkarat. Terjadinya sebuah karat atau korosi pada logam disebabkan oleh reaksi kimia atau elektrokimia dengan lingkungan. Pada penelitian ini, permasalahan tersebut bertujuan untuk memisahkan antara spring washer berkarat dan tidak berkarat menjadi kelas label yang dipadukan dengan metode teknologi pengolahan citra model klasifikasi. Pada beberapa penelitian yang sudah ada menggunakan algoritma klasisifikasinya dengan Convolutional Neural Network (CNN). Pada penelitian ini menggunakan metode deep learning untuk segmentasi dengan memilih arsitektur Mask R-CNN karena dikenal cukup handal untuk penanganan jumlah data yang banyak. Serta hasil pengujian serta analisa yang diperoleh pada sistem yang telah diuji pada penelitian yaitu setiap pengolahan dataset dapat memilih serta melakukan anotasi pada platform makesense.ai dan pengguna akan mendapat dataset untuk melakukan training atau pelatihan untuk segmentasi citra dataset spring washer yang berkarat sesuai dengan algortima yang sudah dibuat. Resolusi citra dan model arsitektur memiliki pengaruh dalam penentuan parameter pengujian objek yang berkarat pada spring washer. Metode Mask R-CNN dapat diaplikasikan deteksi karat pada citra spring washer. Dari proses ini didapat akurasi terbaik yaitu pada iterasi 1000 dengan loss sebesar 0,0921 pada ResNet50 dengan waktu 4.278 detik dan loss 0,1143 pada ResNet101 dengan perolehan waktu 4.456 detik untuk melakukan segmentasi serta deteksi citra. Pretrain Mask R-CNN dalam segmentasi pada dataset memudahkan pengguna sehingga bisa langsung digunakan tanpa harus menyusun layer per layer.

References

M. Tegar and E. Sutoyo, “Analisis Kegagalan Spring Washer Material SK-5 Lapisan Electroplating Zinc”, AME, vol. 5, no. 2, pp. 53–58, Oct. 2019.

G. Proyotomo, “"Buku Praktis Korosi dan Logam untuk Mahasiswa." Nulisbuku.com, 2015

A. Agustyawan, “Pengolahan Citra untuk Membedakan Ikan Segar dan Tidak Segar Menggunakan Convolutional Neural Network,” Indonesian Journal of Applied Informatics, vol. 5, no. 1, pp. 11–11, Apr. 2021, doi: https://doi.org/10.20961/ijai.v5i1.41770.

Y. Tian, G. Zhang, J. Ma and S. Ma, "Automated Rust Detection via Digital Image Recognition during Grinding Work Process," 2018 IEEE International Conference on Information and Automation (ICIA), Wuyishan, China, 2018, pp. 318-323, doi: 10.1109/ICInfA.2018.8812345.

A. Fujishiro, Y. Nagamura, T. Usami and M. Inoue, "Minimization of CNN Training Data by using Data Augmentation for Inline Defect Classification," 2020 International Symposium on Semiconductor Manufacturing (ISSM), Tokyo, Japan, 2020, pp. 1-4, doi: 10.1109/ISSM51728.2020.9377504.

F. Guo, Y. Qian, D. Rizos, Z. Shuo and X. Chen, “Automatic Rail Surface Defects Inspection Based on Mask R-CNN - Feng Guo, Yu Qian, Dimitris Rizos, Zhi Suo, Xiaobin Chen, 2021,” Transportation Research Record, 2021. https://journals.sagepub.com/doi/abs/10.1177/03611981211019034

E. Prasetyo, R. Purbaningtyas, R. D. Adityo, E. T. Prabowo, and A. I. Ferdiansyah, “Perbandingan Convolution Neural Network Untuk Klasifikasi Kesegaran Ikan Bandeng Pada Citra Mata,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 8, no. 3, pp. 601–601, Jun. 2021, doi: https://doi.org/10.25126/jtiik.2021834369.

A. Peryanto, A. Yudhana, and R. Umar, “Rancang Bangun Klasifikasi Citra Dengan Teknologi Deep Learning Berbasis Metode Convolutional Neural Network,” Format Jurnal Ilmiah Teknik Informatika, vol. 8, no. 2, pp. 138–138, Feb. 2020, doi: https://doi.org/10.22441/format.2019.v8.i2.007.

M. R. Alwanda, Raden, and D. Alamsyah, “Implementasi Metode Convolutional Neural Network Menggunakan Arsitektur LeNet-5 untuk Pengenalan Doodle,” Jurnal Algoritme, vol. 1, no. 1, pp. 45–56, Oct. 2020, doi: https://doi.org/10.35957/algoritme.v1i1.434.

S. Gurung and Y. R. Gao, "Classification of Melanoma (Skin Cancer) using Convolutional Neural Network," 2020 5th International Conference on Innovative Technologies in Intelligent Systems and Industrial Applications (CITISIA), Sydney, Australia, 2020, pp. 1-8, doi: 10.1109/CITISIA50690.2020.9371829.

S. Hassantabar, M. Ahmadi, and A. Sharifi, “Diagnosis and detection of infected tissue of COVID-19 patients based on lung x-ray image using convolutional neural network approaches,” Chaos Solitons & Fractals, vol. 140, pp. 110170–110170, Nov. 2020, doi: https://doi.org/10.1016/j.chaos.2020.110170.

E. Ihsanto, K. Ramli, D. Sudiana, and T. S. Gunawan, “Fast and Accurate Algorithm for ECG Authentication Using Residual Depthwise Separable Convolutional Neural Networks,” Applied Sciences, vol. 10, no. 9, pp. 3304–3304, May 2020, doi: https://doi.org/10.3390/app10093304