Perbandingan Algoritma Optimasi untuk Melatih Convolutional Neural Network pada Deteksi Cacat Produk Industri Pengecoran (Studi Kasus : Deteksi cacat pada impeller pompa submersible)

Abstract

Dalam era Industri 4.0, meningkatkan kualitas produk telah menjadi prioritas utama dalam mempertahankan daya saing global di industri manufaktur. Salah satu tahap penting dalam proses manufaktur, yaitu pengecoran, memerlukan pengendalian kualitas yang detail untuk memenuhi harapan konsumen. Meskipun banyak usaha pemeriksaan dilakukan secara manual oleh tenaga kerja manusia, namun jenis cacat yang bervariasi dan kompleks, terutama pada produk pengecoran, menjadikan standar pemeriksaan sulit ditetapkan. Biaya fasilitas dan biaya tenaga kerja yang cenderung bervariasi setiap tahun juga menjadi hambatan dalam pendekatan pemeriksaan manual ini. Penelitian ini menggunakan teknik deep learning, yaitu Convolutional Neural Networks (CNN), dalam mendeteksi cacat pada produk industri yang melalui tahap pengecoran. Selain itu, penelitian ini secara cermat menganalisis sejumlah algoritma optimasi seperti SGD, RMSProp, dan Adam, dalam konteks melatih model CNN dengan tujuan utama meningkatkan akurasi serta efisiensi dalam mendeteksi cacat produk. Dalam hasil penelitian, terbukti bahwa penerapan optimizer Adam pada epoch 50 menghasilkan akurasi tertinggi, mencapai 99,92% pada tahap pelatihan dan 99,4% pada tahap validasi. Disertai dengan tingkat loss yang rendah, yakni 0,0009 pada tahap pelatihan dan 0,0331 pada tahap validasi. Hasil tersebut mencerminkan konsistensi dan performa optimal dari model yang dihasilkan. Lebih lanjut pada tahap pengujian, model yang diperoleh dengan menggunakan optimizer Adam juga mempertahankan performa yang sangat baik, dengan tingkat akurasi sebesar 99,34% dalam pengujian deteksi cacat pada produk industri pengecoran. Hal ini menunjukkan bahwa pendekatan ini mampu memberikan kontribusi yang signifikan dalam mengatasi tantangan pemeriksaan kualitas yang kompleks dan dinamis dalam konteks industri pengecoran.