Penerapan Convolutional Neural Network (CNN) Untuk Klasifikasi Cacat Pengecoran: Studi Kasus Cacat Penyusutan, Cacat Inklusi, Dan Cacat Porositas
Cacat pada produk pengecoran logam seperti penyusutan, inklusi, dan porositas dapat menurunkan kualitas dan menimbulkan kerugian ekonomi. Identifikasi manual bersifat subjektif dan rentan terhadap kesalahan, sehingga diperlukan sistem otomatis berbasis citra. Penelitian ini mengembangkan model klasifikasi cacat pengecoran menggunakan Convolutional Neural Network (CNN) dengan pendekatan transfer learning berbasis arsitektur VGG-16 pralatih. Dataset terdiri dari 1221 citra hasil augmentasi, dibagi menjadi data latih (64%), validasi (16%), dan uji (20%). Model dilatih menggunakan Adam optimizer dengan variasi learning rate (0.0001 dan 0.001) serta callback EarlyStopping dan ModelCheckpoint. Hasil menunjukkan bahwa learning rate 0.0001 menghasilkan akurasi tertinggi sebesar 96% pada data uji. Model mampu mengklasifikasikan ketiga kelas cacat secara seimbang dengan nilai precision, recall, dan f1-score yang tinggi. Temuan ini menunjukkan efektivitas VGG-16 dalam klasifikasi otomatis cacat pengecoran.
URI
https://repo.itera.ac.id/depan/submission/SB2509130003
Keyword
Convolutional Neural Network VGG16 Cacat Pengecoran Augmentasi Data Klasifikasi Citra