Perancangan Sistem Inspeksi Visual Real-Time Berbasis Deep Learning untuk Identifikasi Cacat pada Proses Klowong di Mesin Batik Butimo

Dhika Wahyu Pratama, Ir. Andi Sudiarso, S.T., M.T., M.Sc., Ph.D., IPM., ASEAN Eng

2025 | Tesis | S2 Teknik Industri

            Kain klowong adalah kain dasar batik yang telah melalui proses nglowong, yaitu tahap awal pemberian pola utama menggunakan malam pada permukaan kain. Penggunaan mesin batik tulis telah mempercepat proses klowong sebanyak 57% dibandingkan dengan metode konvensional. Penerapan sistem produksi IKM Butimo kedepannya adalah produksi 24 jam dengan 1 shift tanpa operator (Batik 4.0) sehingga membutuhkan sistem auto repair untuk mesin batik tulis. Dalam sistem auto repair, maka sistem inspeksi visual dengan penerapan deep learning untuk mengidentifikasi jenis cacat untuk menjadi input pada sistem auto repair untuk eksekusi perbaikan proses klowong. Penelitian ini menerapkan model berbasis deep learning dengan teknik segmentasi untuk mengidentifikasi dan melakukan pengukuran ukuran cacat. Penggunaan model berbasis YOLO (You Only Look Once) dengan model YOLOv8 Medium merupakan model yang digunakan dan dilakukan hyperparameter tuning dengan metode Grid Search. Pemilihan model utama didasari berdasarkan metriks performa dan dilakukan seleksi menggunakan K-Fold Cross Validation. Dengan keterbatasan daya komputasi, maka penerapan deep learning membutuhkan sedikit penyesuaian. Pada kasus ini, prediksi dilakukan per interval (detik), bukan setiap saat (real-time), walaupun sistem tetap berjalan real-time pada proses produksi. Untuk memudahkan penggunaan sistem, maka GUI (Guided User Interface) dirancang dan diimplementasikan. Hasil pengujian menunjukkan bahwa deteksi dan pengukuran cacat dengan teknik segmentasi menunjukkan performa 93,33% keberhasilan prediksi, namun untuk pengujian interval prediksi 5 detik merupakan strategi paling optimal untuk deployment dengan akurasi 90,55%. Sistem juga dapat memberikan toleransi ukuran cacat sehingga cacat yang sifatnya masih dalam toleransi tidak dihitung sebagai cacat. 

Klowong fabric is the base fabric for batik that has undergone the nglowong process, which is the initial stage of applying the main pattern using wax on the fabric surface. The use of batik writing machines has accelerated the klowong process by 57% compared to conventional methods. The future production plan for IKM Butimo is 24-hour production with one shift without an operator (Batik 4.0), which requires an auto-repair system for the batik writing machine. In the auto-repair system, a visual inspection system using deep learning is applied to identify defect types, which then serve as input for the auto-repair system to execute corrections in the klowong process. This study applies a deep learning-based model with segmentation techniques to identify and measure defect sizes. The YOLO (You Only Look Once) model with the YOLOv8 Medium model is used, and hyperparameter tuning is performed using the Grid Search method. The main model selection is based on performance metrics and is selected using K-Fold Cross Validation. Due to computational limitations, the application of deep learning requires some adjustments. In this case, predictions are made per interval (second), not in real-time, although the system still operates in real-time during the production process. To facilitate system usage, a GUI (Guided User Interface) was designed and implemented. The test results showed that the detection and measurement of defects with segmentation techniques showed a performance of 93.33% prediction success, but for testing the 5-second prediction interval was the most optimal strategy for deployment with 90.55?curacy. The system can also provide a defect size tolerance so that defects that are still within tolerance are not counted as defects.

Kata Kunci : Batik 4.0, Batik Tulis, Deep Learning, Grid Search, Inspeksi Visual, Klowong