Deteksi Cacat Ubin Keramik Dengan Metode K-Nearest Neighbor
Perusahaan industri manufaktur harus dapat menjaga kualitas dari setiap produk yang diproduksi, termasuk perusahaan industri manufaktur yang memproduksi ubin keramik. Selama beberapa tahun, inspeksi visual secara otomatis sudah diterapkan untuk menentukan kualitas ubin keramik yang diproduksi. Sulit...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
Universitas Dian Nuswantoro
2019-08-01
|
| Series: | Techno.Com |
| Subjects: | |
| Online Access: | http://publikasi.dinus.ac.id/index.php/technoc/article/view/2459 |
| _version_ | 1819048906855546880 |
|---|---|
| author | Riza Alamsyah Ade Davy Wiranata Rafie Rafie |
| author_facet | Riza Alamsyah Ade Davy Wiranata Rafie Rafie |
| author_sort | Riza Alamsyah |
| collection | DOAJ |
| description | Perusahaan industri manufaktur harus dapat menjaga kualitas dari setiap produk yang diproduksi, termasuk perusahaan industri manufaktur yang memproduksi ubin keramik. Selama beberapa tahun, inspeksi visual secara otomatis sudah diterapkan untuk menentukan kualitas ubin keramik yang diproduksi. Sulitnya mendeteksi ubin keramik yang cacat bisa berdampak pada menurunnya kualitas hasil produksi, menurunnya tingkat kepercayaan konsumen, dan penurunan laba bagi perusahaan. Masalah yang dibahas di dalam penelitian ini adalah bagaimana mendeteksi ubin keramik yang cacat sehingga model yang dibangun dapat meningkatkan akurasi untuk mendeteksi ubin keramik yang cacat. Langkah penyelesaian masalah ini adalah dengan mengumpulkan data berupa citra dari ubin keramik, kemudian data citra dilakukan preprocessing menggunakan Median Filtering untuk menghilangkan noise salt and paper dan Teknik Morfologi untuk memperbaiki hasil segmentasi citra. Setelah dilakukan preprocessing, data citra diekstraksi ciri berdasarkan tekstur dengan menggunakan metode Gray Level Co-occurrence Matrix (GLCM) yang dilanjutkan dengan mengklasifikasikan data citra menggunakan metode K-Nearest Neighbor (KNN). Hasil dari penelitian ini adalah model yang dibangun menggunakan metode K-Nearest Neighbor dapat meningkatkan akurasi untuk mendeteksi kecacatan pada ubin keramik dengan nilai akurasi sebesar 98.9474% untuk k = 3. |
| first_indexed | 2024-12-21T11:23:42Z |
| format | Article |
| id | doaj.art-32eaa5420baa483d90bbf12750d04c78 |
| institution | Directory Open Access Journal |
| issn | 2356-2579 2356-2579 |
| language | Indonesian |
| last_indexed | 2024-12-21T11:23:42Z |
| publishDate | 2019-08-01 |
| publisher | Universitas Dian Nuswantoro |
| record_format | Article |
| series | Techno.Com |
| spelling | doaj.art-32eaa5420baa483d90bbf12750d04c782022-12-21T19:05:42ZindUniversitas Dian NuswantoroTechno.Com2356-25792356-25792019-08-0118324525010.33633/tc.v18i3.24591522Deteksi Cacat Ubin Keramik Dengan Metode K-Nearest NeighborRiza Alamsyah0Ade Davy Wiranata1Rafie Rafie2Budi Luhur UniversityBudi Luhur UniversityBudi Luhur UniversityPerusahaan industri manufaktur harus dapat menjaga kualitas dari setiap produk yang diproduksi, termasuk perusahaan industri manufaktur yang memproduksi ubin keramik. Selama beberapa tahun, inspeksi visual secara otomatis sudah diterapkan untuk menentukan kualitas ubin keramik yang diproduksi. Sulitnya mendeteksi ubin keramik yang cacat bisa berdampak pada menurunnya kualitas hasil produksi, menurunnya tingkat kepercayaan konsumen, dan penurunan laba bagi perusahaan. Masalah yang dibahas di dalam penelitian ini adalah bagaimana mendeteksi ubin keramik yang cacat sehingga model yang dibangun dapat meningkatkan akurasi untuk mendeteksi ubin keramik yang cacat. Langkah penyelesaian masalah ini adalah dengan mengumpulkan data berupa citra dari ubin keramik, kemudian data citra dilakukan preprocessing menggunakan Median Filtering untuk menghilangkan noise salt and paper dan Teknik Morfologi untuk memperbaiki hasil segmentasi citra. Setelah dilakukan preprocessing, data citra diekstraksi ciri berdasarkan tekstur dengan menggunakan metode Gray Level Co-occurrence Matrix (GLCM) yang dilanjutkan dengan mengklasifikasikan data citra menggunakan metode K-Nearest Neighbor (KNN). Hasil dari penelitian ini adalah model yang dibangun menggunakan metode K-Nearest Neighbor dapat meningkatkan akurasi untuk mendeteksi kecacatan pada ubin keramik dengan nilai akurasi sebesar 98.9474% untuk k = 3.http://publikasi.dinus.ac.id/index.php/technoc/article/view/2459digital image processingmedian filteringteknik morfologiglcm dan knn |
| spellingShingle | Riza Alamsyah Ade Davy Wiranata Rafie Rafie Deteksi Cacat Ubin Keramik Dengan Metode K-Nearest Neighbor Techno.Com digital image processing median filtering teknik morfologi glcm dan knn |
| title | Deteksi Cacat Ubin Keramik Dengan Metode K-Nearest Neighbor |
| title_full | Deteksi Cacat Ubin Keramik Dengan Metode K-Nearest Neighbor |
| title_fullStr | Deteksi Cacat Ubin Keramik Dengan Metode K-Nearest Neighbor |
| title_full_unstemmed | Deteksi Cacat Ubin Keramik Dengan Metode K-Nearest Neighbor |
| title_short | Deteksi Cacat Ubin Keramik Dengan Metode K-Nearest Neighbor |
| title_sort | deteksi cacat ubin keramik dengan metode k nearest neighbor |
| topic | digital image processing median filtering teknik morfologi glcm dan knn |
| url | http://publikasi.dinus.ac.id/index.php/technoc/article/view/2459 |
| work_keys_str_mv | AT rizaalamsyah deteksicacatubinkeramikdenganmetodeknearestneighbor AT adedavywiranata deteksicacatubinkeramikdenganmetodeknearestneighbor AT rafierafie deteksicacatubinkeramikdenganmetodeknearestneighbor |