Perancangan Pemanfaatan Machine Learning untuk Deteksi Cacat Kemasan Produk

Authors

  • Wiwi Prastiwinarti Jurusan Teknik Grafika dan Penerbitan, Politeknik Negeri Jakarta
  • Mera Kartika Delimayanti Jurusan Teknik Informatika dan Komputer, Politeknik Negeri Jakarta
  • Yoga Putra Pratama Jurusan Teknik Grafika dan Penerbitan, Politeknik Negeri Jakarta
  • Endah Dwi Rakhmawati Jurusan Teknik Grafika dan Penerbitan, Politeknik Negeri Jakarta
  • Hanin Wendho Jurusan Teknik Grafika dan Penerbitan, Politeknik Negeri Jakarta
  • Rizky Adi Jurusan Teknik Informatika dan Komputer, Politeknik Negeri Jakarta

Keywords:

Kemasan Produk, Machine Learning, Deep Learning, Deteksi Cacat

Abstract

Kemasan produk memainkan peran yang sangat penting dalam melindungi dan menjaga kualitas produk selama transportasi, penyimpanan, dan distribusi. Kemasan yang cacat atau rusak mengakibatkan produk menjadi rusak atau tidak terjual. Cacat pada kemasan dapat disebabkan oleh berbagai faktor, seperti ketidaksempurnaan produksi atau kerusakan selama pengangkutan. Deteksi cacat pada kemasan produk menjadi semakin penting karena semakin banyaknya permintaan konsumen untuk produk yang aman dan berkualitas tinggi. Saat ini deteksi cacat kemasan masih dilakukan secara manual dengan inspeksi visual buatan yang memiliki banyak kelemahan dan bersifat subjektif. Penelitian yang diusulkan bertujuan melakukan deteksi cacat kemasan produk memanfaatkan algoritma Machine Learning. Metode penelitian dimulai dari penggunaan dataset publik untuk produk kemasan industri yang berbentuk balok dengan menggunakan teknik pengolahan citra dan algoritma Machine Learning untuk pengenalan pola dan deteksi cacat kemasan. Beberapa penelitian sebelumnya telah dilakukan dan kebaharuan penelitian ini adalah algoritma machine learning dengan Deep Learning CNN agar mendapatkan akurasi yang lebih baik dan nilai error yang lebih kecil. Pada artikel ini telah dilakukan perancangan metode untuk melakukan deteksi cacat kemasan produk dan telah melakukan data preprocessing untuk dilanjutkan ke tahapan model deep learning yang akan diterapkan. Hasil penelitian diukur dengan menerapkan matriks confusion dibandingkan dengan hasil penelitian sebelumnya.

References

Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021). Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, 8(1), 53. https://doi.org/10.1186/s40537-021-00444-8

Antoni, A., Rohana, T., & Pratama, A. R. (2023). Implementasi Algoritma Convolutional Neural Network Untuk Klasifikasi Citra Kemasan Kardus Defect dan No Defect. Building of Informatics, Technology and Science (BITS), 4(4). https://doi.org/10.47065/bits.v4i4.3270

Bhatt, P. M., Malhan, R. K., Rajendran, P., Shah, B. C., Thakar, S., Yoon, Y. J., & Gupta, S. K. (2021). Image-Based Surface Defect Detection Using Deep Learning: A Review. Journal of Computing and Information Science in Engineering, 21(4), 040801. https://doi.org/10.1115/1.4049535

Chen, Y., Ding, Y., Zhao, F., Zhang, E., Wu, Z., & Shao, L. (2021). Surface Defect Detection Methods for Industrial Products: A Review. Applied Sciences, 11(16), 7657. https://doi.org/10.3390/app11167657

Delimayanti, M. K., Sari, Risna, Laya, Mauldy, Faisal, M. Reza, Pahrul, & Naryanto, R. Fitri. (2020, October 7). The Effect of Pre-Processing on the Classification of Twitter’s Flood Disaster Messages Using Support Vector Machine Algorithm. International Conference on Applied Engineering (ICAE) 2020. International Conference on Applied Engineering (ICAE), Batam, Indonesia.

Dewanto, Y., Galingging, R., & Winandi, F. A. I. (n.d.). Pengendalian Kualitas Kemasan Fleksibel dalam Meminimalisasi Produk Cacat pada Proses Laminasi Ekstrusi.

He, Y., Song, K., Meng, Q., & Yan, Y. (2020). An End-to-End Steel Surface Defect Detection Approach via Fusing Multiple Hierarchical Features. IEEE Transactions on Instrumentation and Measurement, 69(4), 1493–1504. https://doi.org/10.1109/TIM.2019.2915404

Industrial Quality Control of Packages. (n.d.). Kaggle.

Liu, J., Wang, C., Su, H., Du, B., & Tao, D. (2020). Multistage GAN for Fabric Defect Detection. IEEE Transactions on Image Processing, 29, 3388–3400. https://doi.org/10.1109/TIP.2019.2959741

Sun, J., Li, C., Wu, X.-J., Palade, V., & Fang, W. (2019). An Effective Method of Weld Defect Detection and Classification Based on Machine Vision. IEEE Transactions on Industrial Informatics, 15(12), 6322–6333. https://doi.org/10.1109/TII.2019.2896357

Vu, T.-T.-H., Pham, D.-L., & Chang, T.-W. (2023). A YOLO-based Real-time Packaging Defect Detection System. Procedia Computer Science, 217, 886–894. https://doi.org/10.1016/j.procs.2022.12.285

Wu, Y., & Lu, Y. (2019). An intelligent machine vision system for detecting surface defects on packing boxes based on support vector machine. Measurement and Control, 52(7–8), 1102–1110. https://doi.org/10.1177/0020294019858175

Wu, Z., Chen, Y., Zhao, B., Kang, X., & Ding, Y. (2021). Review of Weed Detection Methods Based on Computer Vision. Sensors, 21(11), 3647. https://doi.org/10.3390/s21113647

Yang, X., Han, M., Tang, H., Li, Q., & Luo, X. (2020). Detecting Defects With Support Vector Machine in Logistics Packaging Boxes for Edge Computing. IEEE Access, 8, 64002–64010. https://doi.org/10.1109/ACCESS.2020.2984539

Downloads

Published

2023-08-05

How to Cite

Wiwi Prastiwinarti, Delimayanti, M. K., Pratama, Y. P., Rakhmawati, E. D., Wendho, H., & Adi, R. (2023). Perancangan Pemanfaatan Machine Learning untuk Deteksi Cacat Kemasan Produk. Seminar Nasional Inovasi Vokasi, 2, 97–102. Retrieved from https://prosiding.pnj.ac.id/sniv/article/view/385