Detail Cantuman

Penelitian ini di latar belakangi karena masih sering terjadi nya defect welding robot yang lolos quality inspection pada proses produksi. Untuk merespon hal tersebut maka peneliti melakukan penelitian untuk menanggulangi terjadi nya defect welding yang lolos quality inspection. Tujuan dari penelitian ini antara lain: (1) membangun sebuah prototipe sistem deteksi defect robot welding arc (2) mencapai nilai akurasi atau mean average precision (mAP) lebih dari 0,9 pada deteksi defect pengelasan. Pada penelitian ini model atau prototipe yang di bangun menggunakan algoritma convolutional neural network (CNN) dengan arsitektur YOLO v5. Object yang di gunakan pada penelitian ini merupakan citra defect hasil pengelasan robot welding arc yaitu Hole dan porosity yang nantinya di jadikan dataset pada penelitian ini. Peneliti melakukan teknik augmentasi data yang bertujuan untuk memperbanyak dataset supaya akurasi yang diinginkan dapat tercapai. Kemudian citra hasil augmentasi dilabelling diwebsite Makesense.ai untuk membangun bounding box dan class dari pada deteksi defect itu sendiri. Dataset dan hasil labelling dimasukan kedalam folder train_data secara tersusun dan terstruktur, kemudian diconvert ke dalam bentuk zip untuk mempermudah train data. Dataset tadi dimasukan ke dalam Google collab untuk proses train data. Peneliti melakukan train data dengan run code train.py dengan mengubah costum_data serta komposisi epoch dan batch size berbeda. Pada komposisi batch size 16 dan epoch 100 di dapatkanlah model dengan akurasi sebesar 0,95 mAP. Dengan akurasi tersebut los pada model deteksi defect yang dibangun cenderung kecil.

Kata kunci: cacat, convolutional neural network, deteksi, welding, YOLOv5