Implementasi U-Net CNN Untuk Klasifikasi Citra Hasil Pengelasan

Abstract

Metode Visual Testing menjadi salah satu metode yang umum digunakan untuk inspeksi hasil pengelasan kategori NDT. Metode ini biasanya digunakan sebagai metode pendeteksian awal hasil pengelasan sebelum dilakukan meetode pengujian lain. Penggunaan teknologi pengolahan citra diusulkan untuk membantu proses inspeksi visual hasil pengelasan. Pada penelitian ini model U-Net yang dikombinasi dengan CNN digunakan untuk proses klasifikasi hasil pengelasan. Hasil pengelasan yang coba diklasifikasi berupa hasil las normal, excessive reinforcement, porosity, dan undercut pada pipa baja karbon A106 Grade B. Model arsitektur terdiri dari arsitektur U-Net dengan kedalaman encoder dan decoder sebanyak 2 serta kombinasi layer klasifikasi CNN pada bagian akhir decoder. Penggunaan optimizer pada pelatihan model digunakan untuk mengoptimalkan proses pelatihan data pada model agar tingkat akurasi pelatihan dari model dapat lebih baik dan terhidar dari overfitting dan underfitting. Terdapat 3 tipe optimizer yang akan diterapkan pada model dan dicoba untuk dianalisis yaitu, Adam, SGDM, dan RMSprop. Didapatkan hasil optimizer SGDM pada akurasi pelatihan sebesar 98.75% dan hasil uji terhadap 40 citra baru sebesar 92.5%. Model berhasil membedakan hasil pengelasan menjadi normal, excessive reinforcement, undercut, dan porosity.