Publisher

KRESNA MEDIAKRESNA MEDIA

Journal Jurnal Riset InformatikaJurnal Riset Informatika Abstract

Subjektivitas pada kontrol kualitas manual untuk genteng tradisional menimbulkan tantangan signifikan, karena proses saat ini bergantung pada inspeksi visual manual dan penilaian subjektif. Penelitian ini mengusulkan sistem otomatis untuk mengklasifikasikan kualitas genteng dari gambar menggunakan Convolutional Neural Network (CNN), khususnya model EfficientNet-B0 yang ditingkatkan dengan transfer learning. Studi ini menggunakan dataset primer yang terdiri dari 616 gambar genteng lokal yang dikumpulkan langsung dari produsen di Berjo Kidul, Godean, Yogyakarta. Gambar-gambar ini dilabeli secara manual berdasarkan kriteria produsen ke dalam tiga kelas berbeda: Matang (203 gambar), Kurang Matang (213 gambar), dan Pecah/Retak (200 gambar). Metodologi yang digunakan melibatkan perubahan ukuran semua gambar menjadi 224x224 piksel dan penerapan augmentasi data, termasuk rotasi acak, horizontal flipping, dan color jitter, untuk mengurangi overfitting. Model EfficientNet-B0, yang telah dilatih sebelumnya pada ImageNet, diimplementasikan menggunakan PyTorch dan dilatih selama 10 epoch menggunakan pembagian 80/20 untuk data latih/validasi dengan optimizer Adam. Model menunjukkan performa luar biasa, mencapai akurasi 99,70% pada data validasi. Evaluasi lebih lanjut mengkonfirmasi ketangguhan ini; model secara sempurna mengidentifikasi kelas Kurang Matang dan hanya mencatat satu kesalahan klasifikasi pada data uji. Analisis kualitatif melalui aplikasi seluler Flutter menunjukkan bahwa sistem ini tangguh terhadap perubahan latar belakang dan sudut pandang, meskipun akurasinya terpengaruh oleh pencahayaan yang buruk dan bayangan yang kuat. Studi ini memvalidasi sistem yang diusulkan sebagai alat yang sangat efisien dan objektif untuk proses kontrol kualitas yang lebih andal.

Conclusion

Berdasarkan penelitian yang dilakukan, penerapan arsitektur EfficientNet-B0 dengan transfer learning berhasil diimplementasikan untuk klasifikasi otomatis kualitas genteng.Model yang dikembangkan menunjukkan kinerja yang sangat andal, mencapai akurasi 99,70% pada data uji.Model mampu mengklasifikasikan genteng Kurang Matang dengan sempurna dan hanya membuat satu kesalahan pada kelas lainnya.Secara keseluruhan, penelitian ini membuktikan bahwa sistem klasifikasi otomatis berbasis deep learning adalah solusi efektif untuk mengatasi subjektivitas dan ketidakkonsistenan yang melekat dalam proses kontrol kualitas genteng tradisional.

Future Research

Untuk penelitian lanjutan, disarankan untuk meningkatkan dataset dengan menambah volume dan variasi, terutama dengan memasukkan lebih banyak gambar dari produsen yang beragam dan kondisi menantang di mana model menunjukkan kelemahan, seperti cahaya rendah dan bayangan kuat. Dari segi teknis, praktisitas aplikasi dapat ditingkatkan dengan mengonversi model untuk deployment perangkat (misalnya TensorFlow Lite) untuk memungkinkan klasifikasi offline, real-time. Implementasi ambang batas kepercayaan juga dapat menciptakan sistem manusia-dalam-lingkaran untuk memfilter prediksi dengan kepercayaan rendah untuk tinjauan manual. Akhirnya, lingkup penelitian dapat diperluas dari klasifikasi ke deteksi objek atau segmentasi yang lebih granular, sehingga sistem tidak hanya mengidentifikasi genteng sebagai cacat tetapi juga dapat menentukan lokasi dan jenis kerusakan secara spesifik.

References

1. KLASIFIKASI CITRA SPESIES BUNGA DI INDONESIA BERBASIS CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN TEKNIK... doi.org/10.36982/jseci.v2i02.4942KLASIFIKASI CITRA SPESIES BUNGA DI INDONESIA BERBASIS CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN TEKNIK doi 10 36982 jseci v2i02 4942
2. APPLICATION OF TRANSFER LEARNING ON EFFICIENTNET-B0 ARCHITECTURE FOR AUTOMATIC ROOF TILE DAMAG CLASSIFICATION... doi.org/10.34288/jri.v8i1.450APPLICATION OF TRANSFER LEARNING ON EFFICIENTNET B0 ARCHITECTURE FOR AUTOMATIC ROOF TILE DAMAG CLASSIFICATION doi 10 34288 jri v8i1 450
3. Classification of Ceramic Roof Tiles Using the CNN Method : Klasifikasi Genteng Keramik Menggunakan Metode... archive.umsida.ac.id/index.php/archive/preprint/view/5804/version/5797Classification of Ceramic Roof Tiles Using the CNN Method Klasifikasi Genteng Keramik Menggunakan Metode archive umsida ac index php archive preprint view 5804 version 5797
4. Pengembangan Aplikasi Mobile E-Tourism Berbasis Flutter Untuk Dinas Pariwisata Kabupaten Kutai Kartanegara... doi.org/10.30872/kretisi.v2i2.1850Pengembangan Aplikasi Mobile E Tourism Berbasis Flutter Untuk Dinas Pariwisata Kabupaten Kutai Kartanegara doi 10 30872 kretisi v2i2 1850

Metadata

File size	573.47 KB
Pages	11
DMCA	Report