<![CDATA[Kualitas standarisasi kelayakan kemasan menjadi parameter utama pada bidang industri untuk mencapai visi dan misi perusahaan dalam memastikan produk yang dihasilkan telah memenuhi standar yang diharapkan. Sistem pemilahan produk umumnya masih dilakukan dengan cara manual dengan pengamatan visual yang rentan terhadap ketidakakuratan dan interpretasi subjektif oleh operator yang menyebabkan kesalahan dalam mengenali produk. Penelitian ini melakukan perancangan sistem sortir produk dengan penambahan arsitektur UNet-Inception pada model CNN. Arsitektur UNet-Inception yang dikembangkan peneliti memiliki konstruksi layer konvolusi sebanyak 5 layer, pooling layer sebanyak 2 layer, up sampling 1 layer, serta pola concatenate sebanyak 1 layer, penambahan layer inception convolutional (Concv2D) dengan neuron hidden sebanyak 128 neuron. Model dengan penambahan arsitektur UNet-Inception berhasil mencapai tingkat akurasi training yang lebih tinggi daripada model tanpa arsitektur UNet-Inception dengan perbandingan yakni 98,39% berbanding 71,47%. Pada pengujian deteksi real-time didapatkan akurasi sebesar 93,34%. Sistem yang diciptakan mampu melakukan klasifikasi produk dengan sangat baik berdasarkan karakteristik bercak pada panjang bercak 3 cm, 5 cm, dan 7 cm, dengan akurasi keberhasilan mencapai 100%. Sistem integrasi dalam bentuk sortir yang telah diimplementasikan berhasil memberikan respons aksi reject yang sesuai dengan hasil deteksi produk cacat dengan akurasi keberhasilan mencapai 100%.]]>
Copyrights © 2023
