Deteksi Spot Weelding Rear Door Area Beam Protect Untuk Optimalisasi Inspeksi Menggunakan Algoritma CNN

Proses spot welding merupakan salah satu tahapan penting dalam manufaktur otomotif, terutama pada area rear door beam protect yang berperan dalam keselamatan struktural kendaraan. Untuk meningkatkan efisiensi inspeksi kualitas hasil pengelasan, penelitian ini mengembangkan sistem deteksi otomatis berbasis algoritma Convolutional Neural Network (CNN). Sistem dibangun untuk mengklasifikasikan titik pengelasan (weldingspot) dan bukan titik pengelasan (notweldspot) melalui citra video produksi. Dataset pelatihan terdiri dari 540 citra dua kelas (270 weldingspot dan 270 notweldspot) yang dikumpulkan dari proses inspeksi nyata. Model CNN dilatih menggunakan teknik augmentasi dan validasi, dengan hasil akurasi uji mencapai 90%. Untuk penerapan real-time, sistem menggabungkan metode Hough Circle Transform untuk mendeteksi kandidat lingkaran dari video, dan model CNN digunakan untuk klasifikasi. Status akhir ditentukan berdasarkan deteksi minimal empat titik weldingspot yang tersusun sejajar. Pengujian menggunakan video inspeksi menunjukkan bahwa sistem mampu mendeteksi dan mengklasifikasikan titik las dengan baik, serta menetapkan status “OK” atau “NG” secara otomatis. Sistem ini diharapkan dapat meningkatkan efisiensi dan akurasi proses quality control dalam industri otomotif.

Kata Kunci : CNN, Deteksi Citra, Hough Circle Transform, Quality Control, Spot Welding