Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : journal of exploratory dynamic problems

Perancangan Sistem Deteksi Defect Sepatu Menggunakan YOLOv26n di PT Tah Sung Hung Brebes Kistanto; Agyztia Premana; Mohammad Romdlon; bambang irawan
Journal of Exploratory Dynamic Problems Vol. 3 No. 1 (2026): Vol.3 No.1 2026
Publisher : Fakultas Keguruan dan Ilmu Pendidikan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/edp.v3i1.214

Abstract

Persaingan pasar ekspor menuntut industri manufaktur alas kaki, seperti PT Tah Sung Hung di Brebes, menjaga standar kualitas produk yang tinggi. Namun, inspeksi cacat secara manual rentan menimbulkan ketidakstabilan akibat kelelahan operator. Penelitian ini bertujuan merancang dan menguji sistem deteksi cacat sepatu berbasis computer vision menggunakan arsitektur YOLOv26n. Model ini memiliki keunggulan inferensi bebas Non-Maximum Suppression (NMS-free) sehingga efisien diterapkan pada perangkat edge di lini produksi.Pengujian dilakukan menggunakan dataset citra simulasi yang mencakup lima jenis cacat: jahitan lepas, lem berlebih, sol tidak simetris, goresan permukaan, dan noda. Model dilatih dengan ukuran citra 640×640 piksel selama 150 epoch. Hasil evaluasi menunjukkan performa dengan rata-rata precision 0,90, recall 0,87, mAP@0.5 sebesar 0,91, dan mAP@0.5:0.95 sebesar 0,71, serta waktu inferensi rata-rata 8,4 ms per citra pada GPU.Secara keseluruhan, arsitektur YOLOv26n berpotensi sebagai solusi deteksi cacat sepatu yang cepat dan akurat. Kendati demikian, validasi lanjutan menggunakan data produksi riil tetap diperlukan sebelum sistem diimplementasikan secara operasional di PT Tah Sung Hung Brebes.
Model Deep Convolutional Neural Network Untuk Klasifikasi SPAM Berbasis Teks Gesarsy Giova Ditya Illiyyin; Agyztia Premana; Nur Ariesanto Ramdhan; bambang irawan
Journal of Exploratory Dynamic Problems Vol. 3 No. 1 (2026): Vol.3 No.1 2026
Publisher : Fakultas Keguruan dan Ilmu Pendidikan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/edp.v3i1.215

Abstract

Pesan spam berbasis teks tidak lagi bersifat tunggal, melainkan terbagi ke dalam beberapa kategori dengan tingkat risiko yang berbeda, misalnya promosi, phishing/penipuan akun, pinjaman online ilegal, dan undian berhadiah palsu, sehingga klasifikasi biner (spam/bukan spam) dinilai kurang memadai untuk mendukung penanganan yang tepat sasaran. Penelitian ini merancang dan menguji model Deep Convolutional Neural Network (CNN) untuk klasifikasi multi-kategori spam berbasis teks. Arsitektur model mengadopsi pendekatan multi-kernel CNN (kernel berukuran 3, 4, dan 5) di atas lapisan embedding kata, dilanjutkan dengan global max pooling dan lapisan fully connected dengan aktivasi softmax untuk lima kelas. Karena keterbatasan akses terhadap korpus spam berlabel nyata, pengujian purwarupa dilakukan pada dataset dummy (sintetis) sebanyak 3.000 sampel yang dibangkitkan secara terprogram dengan variasi leksikal, kesalahan ejaan, dan noise label untuk mendekati karakteristik data dunia nyata. Model dilatih menggunakan optimizer Adam dengan strategi early stopping berdasarkan validation loss. Evaluasi pada data uji menghasilkan akurasi sebesar 95.11%, precision rata-rata (macro) 95.11%, recall rata-rata (macro) 95.10%, dan mean Average Precision (mAP) sebesar 92.39%. Hasil ini menunjukkan bahwa arsitektur CNN multi-kernel yang diusulkan mampu membedakan kelima kategori pesan dengan baik pada data uji, meskipun validasi lanjutan pada korpus nyata tetap diperlukan sebelum model diterapkan pada sistem produksi.