Klasifikasi Cacat Material Pelek Mobil dengan Faster R-CNN berbasis ResNet101 Menggunakan Citra Radiografi

TAUFIQ ABDILLAH, Prof. Ir. Nazrul Effendy, S.T., M.T., Ph.D., IPM., ASEAN Eng.; Ir. Nopriadi, S.T., M.Sc., Ph.D., IPM.

2025 | Skripsi | FISIKA TEKNIK

Penerapan NDT (non-destructive testing) dengan radiografi dalam industry kerap digunakan pada kontrol kualitas cacat produk. Perusahaan pemroduksi pelek mobil membedakan kategori cacat menjadi cacat yang timbul (Cacat 1) dan cacat berongga (Cacat 2) pada citra radiografi. Deteksi cacat menggunakan kecerdasan buatan diperlukan akibat keterbatasan mesin radiografi otomatis yang dimiliki serta untuk meningkatkan efektivitas kerja.

Faster R-CNN merupakan model deep learning khusus deteksi objek yang dapat bekerja mendekati real-time pada pengujian deteksi. Teknik transfer learning ResNet101 digunakan sebagai backbone CNN untuk membantu proses ekstraksi fitur pada citra pelek. Penggunaan Faster R-CNN berbasis ResNet101 dilatih dan dievaluasi dalam kinerja deteksi sesuai kategori cacat. Dilakukan variasi model untuk menemukan model paling optimal.

Model deteksi terbaik adalah variasi non-augmentasi yang mendapat mAP dan mAR sama-sama sebesar 0,775. Berdasar hasil pengujian, model mencapai accuracy 0,833. Performa Cacat 1 mendapat nilai precision sebesar 0,974 dan recall sebesar 0,844. Performa Cacat 2 memperoleh precision 0,222 dan recall sebesar 0,667. Hasil Cacat 1 dapat dikatakan sangat baik, sedangkan hasil Cacat 2 belum dapat dibuktikan akibat terbatasnya sampel pengujian.  

Non-destructive testing (NDT) using radiography is widely applied in industry for product defect quality control. A wheel rim manufacturing company classifies radiographic defects into two types: raised defects (Cacat 1) and hollow defects (Cacat 2). Artificial intelligence is needed to overcome limitations of existing radiographic machines and improve work efficiency. Faster R-CNN is a deep learning model specialized for object detection and is capable of near real-time performance in detection tasks. Transfer learning with ResNet101 is utilized as the CNN backbone to assist in feature extraction from rim images. The Faster R-CNN model based on ResNet101 is trained and evaluated for defect detection performance according to defect categories. Multiple model variations are explored to identify the most optimal configuration. The best-performing detection model is the non-augmented variation, achieving both mAP and mAR of 0.775. Based on the evaluation results, the model achieved an accuracy of 0.833. The best results were obtained for Cacat 1, with a precision of 0.974 and recall of 0.844. For Cacat 2, the model achieved a precision of 0.222 and recall of 0.667. The results for Defect 1 can be considered highly satisfactory, while Defect 2 remain inconclusive due to the limited number of testing samples. 

Kata Kunci : NDT, radiografi, Faster R-CNN, ResNet101