Identifikasi Pola Cacat Pengelasan Radiografi Industri menggunakan Ciri Tekstur dan Jaringan Syaraf Tiruan  

Oleh:

Muhtadan ; Hidayat, Risanuri ; Widyawan ; Amhar, Fahmi

Jenis: Article from Proceeding
Dalam koleksi: Prosiding Seminar Nasional Teknoin 2014: Meningkatkan Daya Saing Industri Nasional Berkelanjutan Berbasis Riset, Yogyakarta, 22 November 2014 : Bidang Teknik Elektro, page 85-89.
Topik: Ekstraksi ciri tekstur statistik; jaringan syaraf tiruan; radiographic weld defect identification.
Fulltext: Pages from Teknik Elektro-14.pdf (675.78KB)

Isi artikel

Ekstraksi ciri dan klasifikasi merupakan bagian penting dalam sistem identifikasi cacat pengelasan radiografi industri secara otomatis. Metode ekstraksi ciri berbasis pengukuran nilai geometris dan morfologi telah banyak diterapkan dan memeberikan hasil klasifikasi cacat pengelasan yang baik, namun hasil tersebut sangat dipengaruhi oleh pengolahan sebelumnya yaitu segmentasi dan operasi morfologi untuk melokalisir bentuk dan area obyek cacat. Tekstur citra dapat digunakan sebagai pendeskripsi jenis obyek cacat pengelasan tanpa banyak dipengaruhi oleh proses segmentasi dan operasi morfologi. Pada peneltiian ini, akan diuraikan metode pendeskripsi tekstur berbasis nilai statistik yaitu tekstur statistik histogram (HST) dan matrik kookurensi skala keabuan (GLCM) untuk identifikasi cacat pengelasan radiografi. Jaringan syaraf tiruan (JST) multilayer digunakan sebagai pengklasifikasi. Beberapa percobaan dilakukan untuk mengetahui pengaruh metode ekstraksi ciri maupun rasio data pelatihan dan data pengujian yang digunakan terhadap nilai kinerja klasifikasi dengan menggunakan jumlah dataset sebanyak 320 data untuk jenis cacat crack, porosity, dan wormhole. Hasil percobaan menunjukkan bahwa pada penggunaan tunggal metode HST menghasilkan nilai kinerja rata-rata paling tinggi yang mencapai 85,8%, serta dapat mencapai 89,1% pada penggunaan 90% data pelatihan dan 10% data pengujian. Nilai kinerja klasifikasi dapat meningkat dengan menkombinasikan kedua metode ekstraksi ciri tersebut, dan diperoleh kombinasi GLCM 45o dan HST menghasilkan nilai kinerja klasifikasi rata-rata sebesar 96%, serta dapat mencapai 100% pada penggunaan 90% data pelatihan dan 10% data pengujian.

Opini Anda

Klik untuk menuliskan opini Anda tentang koleksi ini!

Kembali