Penerapan Algoritma Yolov5 untuk Deteksi Cacat pada Pelek Ban Menggunakan Citra Radiografi

NURCHALIS, Ir. Nazrul Effendy, S.T, M.T., Ph.D., IPM.

2024 | Skripsi | FISIKA TEKNIK

    Penerapan teknik uji tak merusak dapat dikombinasi dengan teknologi lain untuk meningkatkan efisiensi hasil uji. Salah satu contoh teknologi dapat dikombinasikan adalah kecerdasan buatan. Penelitian ini bertujuan untuk memodifikasi model YOLOv5 dengan menerapkan metode transfer learning untuk menghasilkan model kecerdasan buatan baru yang berbasis deteksi gambar dengan algoritma YOLOv5. Model ini dirancang untuk menganalisis citra hasil radiografi guna mendeteksi cacat pada pelek ban.
    Data radiografi yang diperoleh berasal dari PT Pakoakuina Car Wheel. Dataset ini dibentuk dari gambar radiografi yang telah diubah formatnya dari DCM menjadi JPG, serta dilakukan juga proses augmentasi. Model YOLOv5 dilatih sebanyak 280 epoch untuk masing-masing dataset yang telah mengalami augmentasi dan tanpa augmentassi. Evaluasi dilakukan terhadap recall, akurasi, presisi dan F1-score model pada data uji, dengan tujuan untuk memilih model yang memiliki tingkat recall, akurasi, presisi dan F1-score tertinggi dari hasil pelatihan.
    Diperoleh hasil berupa dataset teraugmentasi yang berisikan 632 citra pelek hasil radiografi. Terdapat model yang memiliki mAP tertinggi sebesar 0,718. Akan tetapi, model tersebut bukan model yang terbaik saat diuji. Variasi model terbaik adalah yang dilatih menggunakan dataset teraugmentasi, memiliki nilai mAP maksimal sebesar 0,55. Dari model terbaik tersebut diperoleh nilai matriks uji recall sebesar 0,8; akurasi sebesar 0,89; presisi sebesar 0,92 dan F1-score sebesar 0,86.

    The application of non-destructive testing techniques can be combined with other technologies to improve the efficiency of test results. One example of such technology is artificial intelligence. This research aims to modify the YOLOv5 model by applying transfer learning methods to produce a new image detection-based artificial intelligence model using the YOLOv5 algorithm. This model is designed to analyze radiographic images to detect defects in car wheel rims.
    The radiographic data obtained came from PT Pakoakuina Car Wheel. This dataset was formed from radiographic images whose format had been changed from DCM to JPG, and an augmentation process was also carried out. The YOLOv5 model was trained for 280 epochs for each dataset that had undergone augmentation and without augmentation. Evaluation is carried out on the recall, accuracy, precision and F1-score of the model on test data, with the aim of selecting the model that has the highest level of recall, accuracy, precision and F1-score from the training results.
    The results were obtained in the form of an augmented dataset containing 632 radiographic rim images. There is a model that has the highest mAP of 0.718. However, this model was not the best model when tested. The best model variation is the one trained using an augmented dataset, having a maximum mAP value of 0.55. From the best model, a recall test matrix value of 0.8 was obtained; accuracy of 0.89; precision of 0.92 and F1-score of 0.86.

Kata Kunci : NDT, radiografi, kecerdasan buatan, YOLOv5