Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Kecacatan Pada Proses Welding di Perusahaan Manufacturing

Abstrak− Industri manufaktur menjadi salah satu sektor terbesar di Indonesia, didorong dengan meningkatnya permintaan dari masyarakat. Faktor utama yang menjadi perhatian dalam memenuhi kebutuhan pasar, baik lokal maupun internasional yakni terkait kualitas produk. Dalam upaya memastikan standar kualitas yang tinggi, proses produksi memerlukan kontrol kualitas yang ketat. Salah satu masalah yang sering muncul dalam quality control yakni kecacatan pada proses pengelasan (welding) yang mempengaruhi waktu siklus pengecekan. Untuk mengatasi hal ini, Pendekatan Convolutional Neural Network (CNN) dengan arsitektur VGG-16 dapat membantu mengklasifikasikan kecacatan pada proses pengelasan. Metode ini tidak hanya mempercepat proses klasifikasi cacat, tetapi juga meningkatkan akurasi identifikasi cacat produk. Tahapan penerapan metode ini meliputi persiapan dataset, preprocessing data, perancangan model CNN, pelatihan model, dan evaluasi kinerja. Hasil evaluasi menunjukkan bahwa penggunaan teknologi deteksi cacat secara otomatis, terutama dengan skenario data yang seimbang, dapat meningkatkan kinerja kontrol kualitas dengan signifikan. Akurasi, presisi, recall, dan F1-score mencapai tingkat yang sangat baik, yakni mencapai 92%. Dengan demikian, penelitian ini memberikan kontribusi penting dalam upaya meningkatkan efisiensi produksi dan meningkatkan kualitas produk dalam industri manufaktur mesin sepeda motor di Indonesia. Diharapkan bahwa penggunaan teknologi ini akan membantu perusahaan-perusahaan manufaktur dalam mengidentifikasi dan mengatasi cacat produksi dengan lebih efektif, sehingga meningkatkan daya saing industri manufaktur Indonesia secara keseluruhan.

Kata Kunci: Cacat Pengelasan; CNN; VGG-16; Deteksi