Weld Defect Classifier Using GLCM Extraction and ANN
Weld Defect Classifier Menggunakan Ekstraksi GLCM dan JST
Abstract
Saat ini teknologi di bidang kontruksi berkembang sangat pesat dan semakin maju, hal itu tidak bisa dipisahkan dari pengelasan karena mempunyai peranan penting dalam rekayasa logam. Dalam kehidupan sehari-hari rekayasa logam bisa kita rasakan manfaatnya seperti kontruksi bangunan, alat tranportasi, hiasan, serta banyak lagi lainnya. Pada penelitian ini dilakukan pengklasifikasian jenis cacat las dengan cara merancang sistem klasifikasi mengunakan metode ekstraksi GLCM dan JST dengan jumlah sample citra 400 yang disusun di dataset. Alur pada system klasifikasi ini pra proses dan pada saat proses. Pada tahap pra proses dilakukan gray scaling untuk mengetahui citra keabuan pada citra. Selajutnya yaitu processing nilai yang didapat dari citra keabuan diekstraksi menggunakan GLCM dengan mencari nilai dari 4 fitur (kontras, homogenitas, energi, korelasi). Proses klasifikasi dilakukan dengan menggunakan nilai 4 fitur yang dijadikan input-an yang nantinya output-nya berupa 4 jenis cacat las yang sudah ditargetkan menggunakan hiden layer 20 30 4 yang menghasilkan tingkat akurasi pada sistem 99,375% dari 320 sampel dan dari data uji mendapatkan 87,5% dari 80 sampel.
References
[2] Widharto, Inspeksi Teknik. jakarta: P.T. Pradnya Paramita, 2004.
[3] F. Suryaningsih and H. Al Rasyid, “ANALISIS CACAT PADA PLAT CARBON STEEL MENGGUNAKAN SOFTWARE ISEE UNTUK HASIL FILM IMAGING PLATE ( IP ),†vol. 14, pp. 1–9, 2017.
[4] I. Santoso, Y. Christyono, and M. Indriani, “Kinerja Pengenalan Citra Tekstur menggunakan Analisis Tekstur Metode Run Length,†in Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 2007
[5] B. O. Hua, M. A. Fu-Long, dan J. Li-Cheng, “Research on computation of GLCM of image texture,†Acta Electron. Sin., vol. 1, no. 1, hal. 155–158, 2006.
[6] A. Prahara dan A. Azhari, “Analisis Fitur Warna dan Tekstur untuk Metode Deteksi Jalan,†J. Ilmu Tek. Elektro Komput. dan Inform., vol. 2, no. 2, hal. 77, 2016
[7] D. W. Wibowo, D. Erwanto, and D. A. W. Kusumastutie, “Klasifikasi Jenis Kayu Menggunakan Esktrasi Fitur Gray Level Co-Occurence Matrix dan Multilayer Perceptron,†Jurnal Nasional Teknik Elektro, vol. 10, no. 1, pp. 1–10, 2021.
[8] H. R. Fajrin, H. A. Nugroho, dan I. Soesanti, “Ekstraksi Ciri Berbasis Wavelet Dan Glcm Untuk Deteksi Dini Kanker Payudara Pada Citra Mammogram,†Pros. SNST Fak. Tek., vol. 1, no. 1, 2015
[9] D. Erwanto, S. A. D. Prasetyowati, and E. N. Budi Susila, “Utilization of Digital Image Processing In Process of Quality Control of The Primary Packaging of Drug Using Color Normalization Method,†IOP Conference Series: Materials Science and Engineering, vol. 190, p. 012043, Apr. 2017, doi: 10.1088/1757-899X/190/1/012043.
[10] A. Prabowo, D. Erwanto, and P. N. Rahayu, “Klasifikasi Kesegaran Daging Sapi Menggunakan Metode Ekstraksi Tekstur GLCM dan KNN,†Electro Luceat, vol. 7, no. 1, pp. 74–81, 2021.
[11] L. Handayani and M. Adri, “Pwenerapan JST (Backpropagation) untuk Prediksi curah hujan (Studi kasus: Kota Pekanbaru),†2015.
[12] M. al Amin, “Klasifikasi kelompok umur manusia berdasarkan analisis dimensifraktal box counting dari citra wajah dengan deteksi tepi canny,†Mathunesa: Jurnal Ilmiah Matematika, vol. 5, no. 2, 2017.
[13] A. R. MZ, I. G. P. S. Wijaya, and F. Bimantoro, “Sistem pakar diagnosa penyakit kulit pada manusia dengan metode dempster shafer,†Journal of Computer Science and Informatics Engineering (J-Cosine), vol. 4, no. 2, pp. 129–138, 2020.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
.png)
.png)
