METODE KLASIFIKASI KUALITAS LAS BUSUR MENGGUNAKAN SEMANTIC SEGMENTATION BERBASIS DEEP LEARNING

RIZQI PANGESTU, Dr. Andi Dharmawan, S.Si., M.Cs; Wahyono, S.Kom, Ph.D.

2022 | Skripsi | S1 ILMU KOMPUTER

Las merupakan teknik penyatuan dua buah atau lebih material logam dengan menggunakan suhu yang tinggi untuk mencairkannya. Teknologi las pada zaman sekarang memiliki alat dan teknik yang bermacam-macam. Bahkan untuk mate- rial atau bagian yang berbeda pun memiliki teknik khusus agar memberikan hasil yang baik. Proses pengerjaan las pun sudah banyak yang menggunakan mesin robot yang hasilnya lebih presisi dibandingkan manusia. Dunia pabrik yang memproduksi barang-barang berat tidak luput dari teknologi las, setiap pabrik yang memproduksi barang-barang berat tentunya akan melakukan proses pengelasan secara massal diser- tai dengan quality controlnya. Penelitian ini berfokus untuk mengembangkan suatu sistem yang menggunak- an semantic segmentation untuk mendeteksi kualitas suatu las berbasis citra kamera RGB secara real time. Pada penelitian ini digunakan dataset berupa citra las yang dikumpulkan dari beberapa bengkel las yang dianotasikan dengan bantuan pakar las. Dari penelitian ini dihasilkan sebuah sistem yang mampu mendeteksi kuali- tas las dari input citra RGB dengan output apakah kualitas las yang ada di dalam citra baik tau buruk menggunakan model UNet, ResNet50, dan ResNet101. Sistem yang dibuat memiliki nilai performa 84.8% untuk UNet, 67,7% untuk ResNet50, dan 63,9% untuk ResNet101.

Welding is a technique of joining two or more metal materials using high temperatures to melt them. Welding technology today has a variety of tools and techniques. Even different materials or parts have special techniques to give good results. There are also many welding processes that use robotic machines whose results are more precise than humans. The world of factories that produce heavy goods does not escape welding technology, every factory that produces heavy goods will of course carry out the welding process in bulk accompanied by quality control. This research focuses on developing a system that uses semantic segmentation to detect the quality of a weld based on RGB camera images in real time. This research uses a dataset in the form of welding images collected from several welding workshops which are annotated with the help of welding experts. This research resulted in a system capable of detecting the welding quality from the input RGB image with the output whether the weld quality in the image is good or bad using the UNet, ResNet50, and ResNet101 models. The system created has a performance value of 84.8% for UNet, 67.7% for ResNet50, and 63.9% for ResNet101.

Kata Kunci : SemanticSegmentation,WeldDefectDetection,CNN,ResNet,DeepLabV3