| dc.description.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. | en_US |
