Perancangan Model Klasifikasi Ritsleting dengan Arsitektur EfficientNet-B0

Abstract

Inspeksi visual oleh manusia dalam tahapan pengecekan kualitas (QC) barang manufaktur memiliki kelemahan yaitu terbatasnya tenaga dan waktu manusia. Cacat produk yang dihasilkan perlu diperiksa dengan ketelitian yang tinggi sehingga menguras tenaga manusia, karena produk defect yang lolos QC hingga ke tangan konsumen berakibat fatal bagi perusahaan. Pola defect dikenali secara manual, di mana hal ini masuk dalam tugas pattern recognition berbasis gambar. Saat ini tugas pattern recognition seperti klasifikasi gambar banyak dipecahkan dengan pendekatan deep learning, khususnya metode Convolutional Neural Network (CNN) melakukan klasifikasi gambar. Penelitian ini bertujuan untuk melakukan eksperimen merancang model klasifikasi gambar ritsleting menggunakan model CNN dan data yang diaugmentasi sebagai solusi sedikitnya data yang ada. Data diperbanyak dengan 4 teknik augmentasi yaitu horizontal flip, gaussian noise, motion blur, dan random brightness & contrast, menghasilkan data baru yang kemudian masuk proses training pada model EfficientNet-B0. Arsitekttur EfficientNet dikenal mutakhir, menggunakan teknik compound scaling agar memudahkan dalam melakukan tuning model. Model yang dipakai adalah model yang telah melalui proses pre-trained pada dataset ImageNet sehingga proses training dengan data ritsleting tidak dilakukan dari awal. Sebanyak 3679 gambar dilatih kedalam model EfficientNet-B0, menghasilkan model EfficientNet-B0 dengan akurasi validation mencapai 99.49%.