Perbandingan Algoritma CNN dan RCNN Untuk Deteksi Produk di Perusahaan Manufaktur

Perusahaan manufaktur berperan penting dalam pembuatan produk, aktivitas produksi dimana melalui perencanaan, desain, pemilahan material, penjaminan mutu, manajemen dan pemasaran. Komponen untuk pembuatan mesin terdiri dari 2 tipe yaitu produk A dan B. Masalah yang sering terjadi yaitu kesalahan dalam memilah produk karena prosesnya masih tradisional sehingga perusahaan mengalami kerugian baik waktu maupun biaya. Banyak penelitian yang mengkaji deteksi objek, masalah pada industri dapat dilakukan pendekatan dengan teknologi ini. Metode untuk menemukan objek pada citra dapat menggunakan jaringan saraf konvolusi. Data yang diambil terdapat 2 objek dalam 1 gambar kemudian memisahkan objek dimana total data sebanyak 180 dari masing-masing tipe kemudian dilakukan anotasi citra. kemudian membagi citra setiap kelas kedalam data latih sebanyak 144 dan data uji sebanyak 36. Hasil akurasi yang didapatkan melalui CNN dengan pelatihan epoch 100 yaitu 1.0 dan mobilenet 0.99. Berdasarkan hasil evaluasi menggunakan confusion matrix hasil prediksi 36 data tipe A model memprediksi sesuai kelas objek. Kemudian hasil evaluasi menggunakan 36 data tipe B terdapat 34 data gambar benar termasuk kelas B dua data gambar diprediksi kelas A sehingga akurasinya 97.29%. Kemudian pelatihan menggunakan RCNN sebanyak 100 epoch hasil akurasi yang didapatkan sebesar 0.99. Kemudian pengujian RCNN model mampu mendeteksi data benar sebanyak 60 dan data tidak dapat dideteksi sebanyak 12 sehingga akurasinya 83,33%. pelatihan menggunakan RCNN lebih lama dan ukuran model lebih besar dari CNN. Berdasarkan model yang dibangun baik CNN maupun RCNN mendapatkan akurasi yang baik maka kedua metode tersebut mangkus dalam mengatasi masalah di perusahaan manufaktur.

Kata Kunci: perusahaan manufaktur, produk, deteksi objek, jaringan saraf konvolusi