Pengendalian Kualitas Produksi Lembaran Baja Melalui Klasifikasi Jenis Cacat Permukaan Menggunakan CNN

Quality control of steel sheet production using human visual perception frequently results in errors and takes longer. The implementation of deep learning to control the quality of steel sheet production can be done with high accuracy and in real time. The classification of surface defects on steel sheet is critical for automatically controlling the quality of steel sheet production. Deep learning can quickly identify and eliminate the causes of defects in sheet steel production by classifying the type of defects. This study aims to control the quality of steel sheet production automatically by classifying the types of surface defects using the Convolutional Neural Network (CNN). The CNN model used in this study is CNN with transfer learning from 5 pre-trained models Resnet50, VGG-16, VGG-19, Inception V3, and Xception. There are 6 types of surface defects, namely crazing, inclusion, pitted, patches, rolled, and scratch. The research begins with taking image data on steel sheet that has surface defects. The number of images used in this study is 1.800 images consisting of 1.152 training data, 288 validation data, and 360 testing data. Preprocessing is carried out, namely normalization, augmentation, and one-hot encoding. After preprocessing, training and validation was carried out using transfer learning from 5 pre-trained models. The training result model is used at the testing stage. The results of the training and validation show that Xception has the best performance because of the highest training and validation accuracy values, the lowest training and validation losses, and the lowest validation and loss GAPs. The test results show that transfer learning from the pre-trained Xception model has the best performance with an accuracy of 98%. Pengendalian kualitas produksi lembaran baja dengan persepsi visual manusia sering kali terjadi kesalahan dan membutuhkan waktu yang lebih lama. Implementasi deep learning dalam pengendalian kualitas produksi lembaran baja dapat memiliki akurasi yang baik dan dilakukan secara real-time. Klasifikasi jenis cacat permukaan pada lembaran baja merupakan hal yang penting dalam pengendalian kualitas produksi lembaran baja secara otomatis. Dengan mengklasifikasikan jenis cacat menggunakan deep learning dapat mengidentifikasi dan menghilangkan penyebab terjadinya cacat saat produksi lembaran baja dengan cepat. Penelitian ini bertujuan untuk mengendalikan kualitas produksi lembaran baja secara otomatis melalui klasifikasi jenis cacat permukaan menggunakan Convolutional Neural Network (CNN). Model CNN yang digunakan pada penelitian ini yaitu CNN dengan transfer learning dari 5 pre-trained model Resnet50, VGG-16, VGG-19, Inception V3, dan Xception. Terdapat 6 jenis cacat permukaan yang diklasifikasikan yaitu crazing, inclusion, pitted, patches, rolled, dan scratch. Penelitian dimulai dengan pengambilan data citra lembaran baja yang memiliki cacat permukaan. Jumlah citra yang digunakan dalam penelitian ini yaitu 1.800 citra terdiri dari 1.152 data pelatihan, 288 data validasi, dan 360 data pengujian. Selanjutnya dilakukan preprocessing yaitu normalisasi, augmentasi, dan one-hot encoding. Setelah preprocessing dilakukan pelatihan dan validasi menggunakan transfer learning dari 5 pre-trained model. Model hasil pelatihan digunakan pada tahap pengujian. Hasil pelatihan dan validasi menunjukkan bahwa Xception memiliki kinerja terbaik karena nilai akurasi pelatihan dan validasi tertinggi, nilai loss pelatihan dan validasi terendah, serta GAP validasi dan loss terendah. Hasil pengujian menunjukkan bahwa transfer learning dari pre-trained model Xception memiliki kinerja terbaik dengan akurasi sebesar 98%