<![CDATA[Inspeksi pengelasan merupakan kebutuhan mutlak bagi dunia industri terutama yang bergerak dibidang otomotif untuk memastikan kualitas las. Namun demikian, sebagian besar industri masih menggunakan pemeriksaan manual yang bersifat subjektif dan penuh dengan bias yang dapat berakibat pada inkonsistensi dalam penilaian standar kualitas. Oleh karena itu, diperlukan suatu sistem cerdas yang dapat memeriksa kualitas pengelasan dengan konsisten. Penelitian ini bertujuan untuk membuat model kecerdasan buatan berbasis deep learning dan computer vision untuk mendeteksi area-area pengelasan dan mengklasifikasikannya kedalam kategori baik dan buruk. Model CNN dengan arsitektur UNet diadopsi untuk melakukan segmentasi citra pada gambar pengelasan besi. Studi penggunaan beberapa teknik ekstraksi fitur juga dilakukan untuk mendapatkan performa model terbaik berdasarkan skor IoU dan kecepatan konvergensi model. Berdasarkan hasil eksperimen, teknik CNN UNet terbukti mampu meningkatkan performa model dengan skor IoU sebesar 78,1% dan dengan kecepatan konvergensi dalam 144 epoch.--Welding inspection is an absolute necessity for the industrial world, especially those engaged in the automotive sector to ensure weld quality. However, most industries still use manual inspection which is subjective and full of bias which can result in inconsistencies in the assessment of quality standards. Therefore, intelligent system that can check the quality of welding consistently is needed. This study aims to create an artificial intelligence model based on deep learning and computer vision to detect welding spots and classify them into good and bad categories. CNN model with UNet architecture is adopted to perform image segmentation on iron welding images. Studies using several feature extraction techniques are also conducted to obtain the best model performance based on IoU scores and model convergence speed. Based on the experimental results, the UNet technique is proven to be able to improve the performance of the model with an IoU score of 78.1% and with a convergence speed of 144 epochs.]]>
