Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Ekonomi Manajemen Sistem Informasi
Budiyan Mariyadi
Unknown Affiliation
Economics, Econometrics & Finance

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Cacat Permukaan Keramik Menggunakan Logistic Regression dan SVM Berbasis CNN Inggrid Nindia Aprila Palupi; Budiyan Mariyadi; Imam Yuadi; Taufik Roni Sahroni
Jurnal Ekonomi Manajemen Sistem Informasi Vol. 7 No. 4 (2026): Jurnal Ekonomi Manajemen Sistem Informasi (Maret - April 2026)
Publisher : Dinasti Review

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38035/jemsi.v7i4.7551

Abstract

Klasifikasi dalam mendeteksi cacat permukaan pada ubin keramik merupakan langkah penting dalam memastikan kualitas produk di industri manufaktur. Klasifikasi yang akurat sangat diperlukan untuk meningkatkan kualitas hasil produksi dan mengurangi kesalahan faktor manusia. Penelitian ini bertujuan untuk deteksi dan klasifikasi secara akurat pada jenis cacat baik yang bertekstur 2D dan 3D. Metode yang diusulkan dengan menggunakan Logistic Regression dan dibandingkan dengan Support Vector Machine. Dalam Penelitian ini menggunakan 133 data jenis cacat yang diambil menggunakan kamera smartphone dengan sudut 45˚. Proses pelatihan menggunakan 66% data yang dilatih dengan model Inception V3, VGG-16 dan VGG-19 kemudian 34% data jenis cacat untuk pengujian. Logistic Regression dan Support Vector Machine dengan Inception V3 memberikan hasil klasifikasi terbaik dengan akurasi dan presisi 0,99 dengan kemampuan untuk klasifikasi 100% jenis cacat seperti gompal, lubang, terkelupas, retak dengan tekstur 2D. Sedangkan VGG-19 dapat melakukan klasifikasi 100% pada jenis cacat gelembung dengan tekstur 3D. Waktu pelatihan dan pengujian Logistic Regression dengan Inception V3 6,9 dan 2,1 detik dan VGG-19 membutuhkan waktu pelatihan dan pengujian 53,8 dan 5,36 detik. Sedangkan Support Vector Machine dengan Inception V3 membutuhkana waktu pelatihan dan pengujian 6,6 dan 4,7 detik, sedangkan VGG-19 membutuhkan waktu pelatihan dan pengujian 10,1 dan 4,7 detik.
Co-Authors Imam Yuadi Inggrid Nindia Aprila Palupi Taufik Roni Sahroni