<![CDATA[Penelitian ini dilatarbelakangi oleh masih sering terjadinya defect pada welding robot yang lolos quality inspection dalam proses produksi. Untuk mengatasi permasalahan tersebut, penelitian ini dilakukan dengan tujuan: (1) membangun sebuah prototipe sistem deteksi defect pada robot welding arc, dan (2) mencapai nilai akurasi atau mean average precision (mAP) lebih dari 0,9 pada deteksi defect pengelasan. Dalam penelitian ini, model atau prototipe yang dibangun menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur YOLOv5. Objek yang digunakan dalam penelitian ini adalah citra defect hasil pengelasan robot welding arc, yaitu hole dan porosity, yang kemudian dijadikan dataset. Untuk meningkatkan jumlah data dan mendukung pencapaian akurasi yang diinginkan, dilakukan teknik augmentasi data. Citra hasil augmentasi kemudian dilabeli menggunakan situs web Makesense.ai untuk membangun bounding box dan class dari defect tersebut. Setelah itu, dataset diinput ke dalam Google Colab untuk proses training data. Training dilakukan dengan menjalankan kode train.py,di mana peneliti mengubah parameter custom_data, serta menggunakan variasi epoch dan batch size yang berbeda. Pada konfigurasi batch size 16 dan epoch 100, diperoleh model dengan akurasi sebesar 0,95 mAP.]]>
Copyrights © 2025
