<![CDATA[Dalam industri manufaktur, menghasilkan produk yang bebas anomali (cacat produk) merupakan suatu keharusan. Di sisi lain, inspeksi produk secara manual cukup memakan waktu dan biaya. Penggunaan kecerdasan buatan merupakan pilihan yang tepat mengatasi kendala tersebut. Penelitian yang dilakukan Bergmann pada tahun 2018 mengusulkan model SSIM autoencoder untuk melakukan segmentasi anomali dengan citra produk sebagai inputnya. Penggunaan SSIM sebagai loss function berdasarkan pertimbangan bahwa piksel pada citra memiliki korelasi dengan piksel-piksel di sekitarnya. Dimotivasi oleh penelitian tersebut, penelitian ini menginvestigasi bagaimana pengaruh perbedaan ukuran bottleneck layer dan evaluation window size terhadap akurasi model yang didefinisikan Bergmann tersebut. Pada penelitian ini didefinisikan 3 model autoencoder, yang masing-masing memiliki ukuran bottleneck 100, 300 dan 500. Setiap model dilatih untuk mendeteksi dan melakukan segmentasi anomali pada citra produk grid, screw dan zipper berdasarkan dataset MVTec AD. Segmentasi dilakukan dengan mengacu pada threshold yang diberikan oleh indeks Youden J. Pelatihan dan evaluasi dilakukan sebanyak 100 epoch dengan menggunakan DSSIM loss function, yang merupakan fungsi dari SSIM. Evaluasi menerapkan 3 ukuran window persegi yaitu 7, 11, dan 15. Hasil pengujian memberikan maksimum AUC untuk grid, zipper, dan screw masing-masing adalah 0,9397 (ukuran bottleneck 100, window size 15), 0,7844 (ukuran bottleneck 300, window size 15), dan 0,8837 (ukuran bottleneck 500, window size 11). Disimpulkan bahwa selain konstruksi model, kompleksitas objek juga memberi pengaruh pada akurasi.]]>
Copyrights © 2022
