<![CDATA[Menghadapi tantangan nyata di lini produksi, penelitian ini bertujuan menggantikan metode inspeksi las konvensional yang lambat dan rentan error. Inspeksi manual atau pengujian merusak kerap memakan waktu 2-3 hari per batch, menyumbang 15% biaya produksi, dan mengandung risiko human error 20-30%. Solusinya, kami kembangkan sistem prediksi real-time berbasis kecerdasan buatan yang “mendengarkan” proses pengelasan melalui sensor tegangan. Peneliti menganalisis 1.200 sampel las dari baja AISI 1020, merekam sinyal tegangan 10.000 kali per detik. Dari data ini, diekstraksi 24 “sidik jari digital” ciri statistik dan frekuensi yang mencerminkan kondisi pengelasan. Hasil las dikategorikan sebagai Baik, Porositas, atau Cacat Kritis berdasarkan inspeksi ultrasonik. Setelah menguji tujuh algoritma, Random Forest yang telah dioptimasi menunjukkan performa terbaik dengan akurasi 94,82%, hanya membutuhkan 23,4 milidetik untuk menganalisis satu sambungan. Ini mengungguli algoritma lain seperti Gradient Boosting (92,1%) dan Neural Network (90,7%). Sistem ini berpotensi merevolusi kontrol kualitas: mengurangi ketergantungan inspeksi manual hingga 70%, memangkas waktu inspeksi dari hari menjadi real-time, dan menurunkan biaya kualitas hingga 40%. Dengan demikian, penelitian ini tidak hanya membuktikan keampuhan machine learning, tetapi juga menawarkan solusi praktis yang siap diadopsi industri untuk meningkatkan efisiensi dan daya saing di era otomasi.]]>
Copyrights © 2025
