KLASIFIKASI CACAT PEMOTONGAN PELAT BAJA DENGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)

WIDAGDO, AGANDI HARYO (2021) KLASIFIKASI CACAT PEMOTONGAN PELAT BAJA DENGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM). S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 Cover.pdf Download (496kB) | Preview
	Text (BAB I) 02 Bab 1.pdf Restricted to Registered users only Download (289kB)
	Text (BAB II) 03 Bab 2.pdf Restricted to Registered users only Download (712kB)
	Text (BAB III) 04 Bab 3.pdf Restricted to Registered users only Download (705kB)
	Text (BAB IV) 05 Bab 4.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) 06 Bab 5.pdf Restricted to Registered users only Download (272kB)
	Text (DAFTAR PUSTAKA) 07 Daftar Pustaka.pdf Restricted to Registered users only Download (286kB)
	Text (LAMPIRAN) 08 Lampiran.pdf Restricted to Registered users only Download (352kB)

Abstract

The need for domestic steel plates from year to year is increasing in line with the incessant national development by the government and the domestic private sector. Good quality will provide reliability in the final use of the steel plate. One of the quality components is the cutting state of the steel plate that is free from defects. One of the most common defects is cutting defects by the Dividing Shear and Dividing Side Shear machines. Cutting defects have an allowable tolerance limit value. Thus, not all bad cuts are defects, only those that exceed certain standards are classified as defects. Sorting out these cutting defects or classifying defects and non-defects is still done manually. With current technological developments, this classification or grouping can take advantage of artificial intelligence. The artificial intelligence used in this research is a support vector machine (SVM) algorithm which is part of machine learning. In this study, the dataset used for the classification process with SVM is a plate cutting image that has gone through the preprocessing stage. The research was conducted on 300 cropped images. Model learning is carried out with 4 different kernels, namely linear, sigmoid, polynomial, and Radial Basis Function (RBF). Based on the learning process using the SVM algorithm, the best model was obtained, namely the RBF kernel with parameter value C = 1 producing a model accuracy value of 88.33%, precision 78.12%, recall 100%, and F1-score 87.71%. Meanwhile, testing the model on the new dataset resulted in an accuracy of 87.50%, precision of 89.47%, recall of 85%, and an F1-score of 87.17%. Keywords : Steel Plate, Cutting Defect, Preprocessing, Classification, SVM Kebutuhan pelat baja dalam negeri dari tahun-ketahun semakin meningkat seiring dengan gencarnya pembangun nasional oleh pemerintah serta swasta di dalam negeri. Kualitas yang baik akan memberikan kehandalan pada penggunaan akhir dari pelat baja. Salah satu komponen kualitas adalah keadaan pemotongan pelat baja yang bebas dari cacat. Salah satu cacat yang banyak terjadi adalah cacat pemotongan oleh mesin Dividing Shear dan Dividing Side Shear. Cacat pemotongan memiliki nilai batas toleransi yang diperbolohkan. Sehingga, tidak semua pemotongan jelek adalah cacat, hanya yang melebihi standar tertentu yang tergolong sebagai cacat. Pilah-memilih cacat pemotongan ini atau mengklasifikasikan cacat dan tidak cacat ini masih dilakukan secara manual. Dengan perkembangan teknologi saat ini, klasifikasi atau pengelompokan ini dapat memanfaatkan kecerdasan buatan atau artificial intelligence. Kecerdasan buatan yang digunakan pada penelitian ini adalah algoritma support vector machine (SVM) yang merupakan bagian dari machine learning. Pada penelitian ini dataset (himpunan data) yang digunakan untuk proses klasifikasi dengan SVM adalah citra pemotongan pelat yang telah melalui tahap preprocessing. Penelitian dilakukan pada 300 citra pemotongan. Pembelajaran model dilakukan dengan 4 kernel berbeda yaitu linear, sigmoid, polynomial, dan Radial Basis Function (RBF). Berdasarkan proses pembelajaran menggunakan algoritma SVM didapatkan model terbaik, yaitu kernel RBF dengan nilai parameter C = 1 menghasilkan nilai akurasi model sebesar 88.33 %, presisi 78.12%, recall 100%, dan F1-score 87.71%. Sedangkan pengujian model terhadap dataset baru menghasilkan akurasi sebesar 87.50%, presisi 89.47%, recall 85%, dan F1-score 87.17%. Kata kunci : Pelat Baja, Cacat Pemotongan, Preprocessing, klasifikasi, SVM

Actions (login required)

View Item