KLASIFIKASI CACAT GORESAN (SCRATCH) PADA PERMUKAAN PELAT BAJA DENGAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN ALGORITMA SUPPORT VECTOR MACHINE

MUHLISIN, MUHAMMAD (2021) KLASIFIKASI CACAT GORESAN (SCRATCH) PADA PERMUKAAN PELAT BAJA DENGAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN ALGORITMA SUPPORT VECTOR MACHINE. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 Cover.pdf Download (436kB) | Preview
	Text (BAB I) 02 BAB I.pdf Restricted to Registered users only Download (258kB)
	Text (BAB II) 03 BAB II.pdf Restricted to Registered users only Download (574kB)
	Text (BAB III) 04 BAB III.pdf Restricted to Registered users only Download (93kB)
	Text (BAB IV) 05 BAB IV.pdf Restricted to Registered users only Download (801kB)
	Text (BAB V) 06 BAB V.pdf Restricted to Registered users only Download (243kB)
	Text (DAFTAR PUSTAKA) 07 Daftar Pustaka.pdf Restricted to Registered users only Download (189kB)
	Text (LAMPIRAN) 08 Lampiran.pdf Restricted to Registered users only Download (327kB)

Abstract

The steel industry is one of the national strategic industries. Infrastructure development carried out by the government in the country cannot be separated from steel plates as the main construction material. Perfect quality will give reliability to the implementation of the steel plate. One of the quality components is the steel surface without defect. The most common defects are scratch. However, not all scratches are defects, only those that meet the depth standard are classified as defects. Selecting scratch to classify defects and non-defects is done manually. With current technological developments, this classification or grouping can use artificial intelligence. The artificial intelligence used is a support vector machine (SVM) algorithm which is part of machine learning. In this study, the data used for the SVM classification process is a scratch image that has gone through preprocessing and feature extraction using GLCM (Gray Level Co-occurrence Matrix). The research was conducted on 200 scratch images. Based on the learning process using the SVM algorithm, the best 3 models were obtained, namely the polynomial kernel at 0° orientation angle with parameters C = 10 and γ = 1, RBF kernel at 90° orientation angle with parameter C = 0.5 and γ = 1, and RBF kernel at 90° orientation angle with parameter C = 1 and γ = 1. These three models provide an accuracy value of 98.36%, a precision of 96.97%, a sensitivity of 100% and an F1 score of 98.46%. While the test results of the three best models with new datasets provide an accuracy value of 96.49%, precision of 93.54%, sensitivity of 100% and F1 score of 96.66%. Keywords: Steel plate, Scratch, Preprocessing, GLCM, SVM Industri baja adalah salah satu pilar ketahanan nasional. Pembangunan infrastruktur yang gencar dilakukan pemerintah di dalam negeri tidak terlepas dari pelat baja sebagai bahan utama konstruksi. Kualitas yang baik akan memberikan keandalan pada penggunaan akhir dari pelat baja. Salah satu komponen kualitas adalah keadaan permukaan pelat baja yang bebas dari cacat. Cacat yang sering terjadi adalah goresan/scratch. Namun, tidak semua goresan adalah cacat, hanya yang memenuhi standar kedalaman terntentu yang tergolong sebagai cacat. Pilah-pilah goresan untuk mengelompokan atau mengklasifikasikan cacat dan tidak cacat ini dilakukan secara manual. Dengan perkembangan teknologi saat ini, klasifikasi atau pengelompokan ini dapat memanfaatkan kecerdasan buatan atau artificial intelligence. Kecerdasan buatan yang digunakan adalah algoritma support vector machine (SVM) yang merupakan bagian dari machine learning. Pada penelitian ini data yang digunakan untuk proses klasifikasi dengan SVM adalah citra goresan/scratch yang telah melalui tahap preprocessing dan feature extraction menggunakan GLCM (Gray Level Co-occurrence Matrix). Penelitian dilakukan pada 200 citra scratch. Berdasarkan proses learning menggunakan algoritma SVM didapatkan 3 model terbaik, yaitu kernel polynomial pada sudut orientasi 0° dengan parameter C = 10 dan γ = 1, kernel rbf pada sudut orientasi 90° dengan parameter C = 0.5 dan γ = 1 dan kernel rbf pada sudut orientasi 90° dengan parameter C = 1 dan γ = 1. Ketiga model ini memberikan nilai akurasi sebesar 98.36 %, presisi sebesar 96,97%, sensitivitas sebesar 100% dan F1 score sebesar 98.46%. Sedangkan hasil pengujian ketiga model terbaik dengan dataset baru menghasilkan nilai akurasi sebesar 96.49 %, presisi sebesar 93,54%, sensitivitas sebesar 100% dan F1 score sebesar 96.66%. Kata kunci : Pelat Baja, Scratch, Preprocessing, GLCM, SVM

Actions (login required)

View Item