JURNAL MULTI MEDIA DAN IT
VOL.
08 NO.
PP.
P-ISSN : 2548-9534 | E-ISSN : 2548-9550
Deteksi Cacat Produk Kemasan Karton Lipat Pada Minuman Berbasis Computer Vision
Angga Dwi Firmanto a Arrahmah Aprilia b
a,b Politeknik Negeri Media Kreatif Jakarta
INFORMASI ARTIKEL
Sejarah Artikel:
Diterima Redaksi: 07 Juni 2024
Revisi Akhir: 07 Juni 2024
Diterbitkan Online: Juni 2024
KATA KUNCI
Kemasan.
Deteksi.
Otomatisasi.
Computer Vision.
SSIM
KORESPONDENSI
Angga Dwi Firmanto Jurusan Teknologi Industri Politeknik Negeri Media Kreatif Jakarta Jl.
Srengseng Sawah Jagakarsa Jakarta Selatan, 12640 Email :angga.
firmanto@polimedia.
ABSTRACT
Kemasan memegang peranan penting pada sebuah produk minuman, baik sebagai wadah, pelindung juga sebagai alat pemasaran produk.
Sebelum kemasan produk didistribusikan, perlu terlebih dahulu dilakukan pengecekan dan kepastian apakah kemasan tersebut terdapat kecacatan atau Sistem deteksi diarahkan menuju otomatiasai sebagai upaya mengurangi kesalahan jika deteksi dilakukan secara manual oleh manusia.
Penggunaan computer vision dalam medeteksi cacat kemasan menggunakan algoritma SSIM dengan membandingkan citra referensi asli dengan citra uji.
Dari hasil data, algoritma SSIM berhasil mendeteksi jika citra kemasan uji secara visual sama dengan citra kemasan referensi ditandai dengan nilai Sementara untuk citra kemasan uji dan citra kemasan referensi bernilai indeks dari 0,361 hingga 0,546.
DOI: https://doi.
org/10.
46961/jommit.
kepada konsumen.
Inspeksi visual secara manual dan quality control dilakukan untuk mengeliminasi kemasan cacat produksi .
PENDAHULUAN
Dalam sebuah produk minuman tidak hanya menjaga kualitas rasa minuman itu sendiri namun juga harus menjaga bagaimana minuman tersebut dapat dikonsumsi dengan baik oleh Pada jenis kemasan karton lipat (KKL) menggunakan jenis kertas sebagai media cetak.
KKL digunakan dalam beberapa keperluan seperti makanan dan minuman, contoh KKL ditunjukan pada Gambar 1.
Beberapa bahan dasar pada KKL yaitu ivory dan duplex, penggunaan bahan dasar ini disesuaikan dengan kebutuhan kemasan yang akan digunakan oleh produsen .
Saat proses produksi, produsen menjaga agar kemasan dalam kondisi baik sesuai dimensinya sebelum didistribusikan kepada konsumen.
Dalam hal ini peningkatan kualitas produksi kemasan, produsen terus menjaga dan meningkatkan kualitas kemasan yang diproduksi dengan memastikan hanya kemasan yang baik dan tidak cacat produksi yang dapat didistribusikan Gambar 1.
Contoh Kemasan Karton Lipat Sistem manual ini mengandalkan mata manusia untuk menangkap visual kemasan lalu keputusan apakah suatu kemasan termasuk kategori cacat atau tidak ditentukan oleh manusia.
Sistem tersebut memuncukan potensi kesalahan mendeteksi kemasan termasuk cacat atau tidak karena faktor kelelahan JURNAL MULTI MEDIA DAN IT - VOL.
08 NO.
PP 033-038
manusia saat bekerja, kelelahan bekerja menurunkan kinerja dan meningkatkan kesalahan kerja .
Hal tersebut bisa menurukan kepercayaan konsumen yang secara langsung bisa memengaruhi penjualan dari produk tersebut .
Dalam upaya mengurangi kesalahan dari faktor manusia, pendekatan sistem otomatis bisa menjadi pilihan pada deteksi cacat untuk kemasan minuman kertas karton lipat.
Sistem otomatis deteksi cacat kemasan minuman tidak mengandalkan seluruhnya kepada manusia dalam membuat keputusan cacat atau Secara otomatis sistem bisa mendeteksi bahwa kemasan masuk kategori cacat atau tidak.
Sistem otomatis ini memungkinkan untuk mengeliminasi faktor kelelahan manusia saat memilah kemasan termasuk cacat atau tidak.
Salah satu upaya dalam mendistrupsi sistem manual adalah dengan menggunakan teknologi yaitu dengan memanfaatkan pengolahan citra pada kemasan.
Penelitian terkait deteksi cacat produk melalui citra telah dilakukan studi diberbagai bidang, dari .
memanfaatkan computer vision dalam mendeteksi cacat di bidang infrastruktur yaitu beton dan aspal.
Dibidang .
mengimplementasikan computer vision untuk inspeksi buah Sementara dibidang elektronik, .
melakukan deteksi cacat pada printed circuit board (PCB).
Perkembangan teknologi membuat computer vision semakin berkembang dalam beberapa tahun terakhir, hal tersebut membuat computer vision memegang peranan penting dalam otomasi industri .
Dengan menggantikan mata manusia dalam proses inspeksi menjadi sensor yang melihat secara terus menerus tanpa jeda dan data yang ditangkap oleh sensor tersebut dapat diolah dengan pemrosesan citra setelah itu didapatkan keputusan terkait apakah kemasan tersebut termasuk kategori cacat atau tidak.
Pada penelitian ini mengimplementasikan computer vision untuk mendeteksi citra kemasan dimana citra kemasan diakusisi kemudian data citra tersebut diartikan untuk penentuan deteksi cacat produk kemasan, pengukuran yang digunakan dalam menentukan apakah kemasan termasuk cacat atau tidak dengan menggunakan Structural Similarity Index Measure (SSIM).
Gambar 2.
Alur Sistem deteksi cacat kemasan manual .
Alur Sistem deteksi cacat kemasan berbasis computer vision Pada Gambar 2 adalah ilustrasi dari sistem deteksi cacat kemasan dua metode : .
manual oleh manusia .
berbasis computer vision.
Tahap pertama yaitu akusisi dari bentuk fisik kemasan menjadi citra disini dibutuhkan sebuah sensor visual untuk mengubah dari bentuk fisik menjadi citra.
Sensor visual tersebut berperan seperti mata manusia yang menangkap gambar lalu mengirimkan kepada otak sebagai unit pemrosesan, sementara sensor visual menangkap sebuah bentuk fisis dan mengubah menjadi sinyal yang dapat dibaca oleh unit pemrosesan sinyal .
Kemudian pada unit pemrosesan diolah, dimodifikasi agar sinyal gambar dapat di analisis dan diinterpretasi sehingga didapatkan hasil berupa kemasan termasuk dalam kategori cacat atau tidak.
Structural Similarity Index (SSIM) Proses deteksi cacat pada kemasan minuman dilakukan dengan cara membandingkan antara citra uji dengan citra referensi kemasan.
Perbandingan tersebut mengukur perbedaan antara citra referensi dengan citra uji, sehingga dengan pengukuran perbedaan tersebut dapat dilakukan penentuan apakah citra kemasan uji termasuk kategori cacat atau tidak.
Perhitungan perbedaan kedua citra tersebut menggunakan Structural Similarity Index (SSIM).
TINJAUAN PUSTAKA
Computer Vision Secara teknis, computer vision dibagi menjadi tiga tahap yaitu akusisi citra dengan menggunakan sensor visual lalu citra tersebut akan dilakukan pemrosesan citra dengan algoritma tertentu kemudian tahap terakhir adalah analisis citra.
Ketiga tahap tersebut saling berkaitan satu sama lain.
Integrasi antara perangkat lunak dan perangkat keras dibutuhkan dalam computer vision .
Gambar 3.
Skema SSIM Algoritma ini membagi perbandingan menjadi tiga bagian:
luminasi, kontras dan struktur.
Skema kerja SSIM dapat .
JURNAL MULTI MEDIA DAN IT - VOL.
08 NO.
PP 033-038
diilustrasikan pada Gambar 3 dimana, alur kerja SSIM terdiri dari perhitungan perbandingan luminasi, perbandingan kontras dan perbandingan struktur dari kedua citra.
Setelah ketiga bagian kerja tersebut dihitung, kemudian di gabungkan sehingga menghasilkan nilai indeks SSIM.
Nilai indeks SSIM ini mengartikan nilai kesamaan antara dua citra yang dibandingkan, nilai SSIM berada diantara 0 hingga 1, jika nilai indeksnya mendekati 1 atau 1 hal itu berarti kedua citra memiliki kesamaan, sementara jika nilai indeks mendekati 0 makan kedua citra semakin berbeda .
Perbandingan luminasi didefisinikan dengan persamaan .
l ( x, y ) = 2 x y C1
2 2 C
Dimana adalah citra kemasan referensi, adalah citra kemasan uji, adalah intensitas rata-rata citra kemasan referensi, adalah intensitas citra kemasan referensi.
Sementara perbandingan kontras didefinisikan sebagai persamaan .
2E x E y C2 c ( x, y ) = E 2 E 2 C Sementara perbandingan dengan persamaan .
s ( x, y ) = .
Proses pertama yang dilakukan adalah akusisi data citra kemasan karton lipat.
Setelah itu, membagi citra menjadi citra kemasan referensi dan citra kemasan uji.
Pembagian ini didasarkan pada citra kemasan referensi adalah citra kemasan yang tidak rusak atau asli sementara citra uji adalah citra kemasan yang ada Selanjutnya dilakukan preprocessing yaitu tahapan yang dilakukan pada citra agar bisa diolah oleh unit pemrosesan.
Pengubahan citra hasil akuisisi RGB menjadi grayscale, proses ini digunakan untuk menyederhanakan model dari citra kemasan.
Karena pada saat pemrosesan citra, tidak ada lagi warna namun yang digunakan adalah derajat keabuan .
Proses ini dilakukan dengan mengubah piksel RGB menjadi piksel grayscale, dengan cara mencari nilai rata-rata dari nilai merah, hijau dan biru.
Dalam hal keperluan pengujian, akuisisi data citra dibagi menjadi dua bagian data yaitu data citra referensi dan data citra uji, sistem deteksi cacat kemasan minuman kertas karton lipat diilustrasikan dalam Gambar 4.
Citra Uji
Citra Referensi
Perbandingan Citra
E xy C3
E xE y C3
SSIM
Dengan C1 .
C2 .
C3 adalah konstanta.
Sehingga perhitungan SSIM indeks didefinisikan dengsan persamaan .
SSIM( x, y ) = .
C ).
E C ) .
( C )(E E C ) Dimana x , y adalah rata-rata dari citra referensi dan citra uji, sementara E x ,E y adalah standar deviasi dari citra referensi dan citra asli .
KONSEP PERANCANGAN Pada penelitian ini ditujukan untuk mendeteksi kemasan produk termasuk kategori cacat atau tidak dengan menggunakan SSIM.
Objek yang digunakan adalah kemasan minuman kertas karton lipat.
Dalam penentuan apakah suatu kemasan minuman termasuk dalam kategori cacat atau tidak, perlu disiapkan satu citra referensi Citra kemasan referensi adalah citra yang sempurna tidak cacat citra ini menjadi acuan perbandingan.
Sementara citra kemasan uji adalah citra yang akan dilakukan pengecekan apakah kemasan tersebut termasuk kategori cacat atau tidak.
https://doi.
org/10.
46961/jommit.
Cacat Tidak Cacat Gambar 4.
Skema Sistem Deteksi Cacat Kemasan Selanjutnya citra kemasan uji dibandingkan dengan citra kemasan referensi, proses ini seperti inspeksi manual yang dikerjakan manusia dimana otak manusia berperan dan memutuskan antara kemasan cacat dan kemasan tidak cacat.
Kemudian kedua citra dihitung nilai perbandingan luminasi, kontras dan struktur lalu digabung sehingga menghasilkan nilai indeksi SSIM.
Nilai indeks SSIM tersebut yang diartikan sebagai nilai kemiripan antara dua citra, jika nilai SSIM melebihi ambang batas yang telah ditentukan maka termasuk kategori tidak cacat, namun jika nilai SSIM dibawah ambang batas maka termasuk kategori cacat.
HASIL DAN PEMBAHASAN
Proses implementasi SSIM pada deteksi cacat dilakukan dengan objek kemasan minuman kertas karton lipat, pengujian dilakukan menggunakan 15 kemasan dengan merek yang sama dijatuhkan dari ketinggian 76 cm, kemasan diambil data citra terlebih dahulu sebelum dijatuhkan, data citra ini disebut sebagai JURNAL MULTI MEDIA DAN IT - VOL.
08 NO.
PP 033-038
citra referensi kemudian setelah kemasan dijatuhkan kemasan kembali diambil citra, citra ini disebut sebagai citra uji.
Terdapat 30 citra kemasan terdiri dari 15 citra kemasan sebelum dijatuhkan dan 15 citra kemasan setelah dijatuhkan.
Citra kemasan sebelum dijatuhkan ditunjukan pada Gambar 5 .
kemudian kemasan diperlakukan uji jatuh dari ketinggian 76 cm untuk melihat adanya perubahan dimensi dari kemasan.
Perubahan dimensi ini bisa ditunjukan dengan terdapatnya penyok pada satu sisi, sehingga ketika diukur panjang dan lebarnya terdapat perbedaan dari dimensi normal.
Selanjutnya kemasan yang telah dilakukan uji jatuh diambil citranya dan disebut sebagai citra uji setelah dijatuhkan seperti pada Gambar 5 .
terlihat karena nilai perubahan antara sebelum dijatuhkan dan setelah dijatuhkan berada di bawah 2 mm.
Dalam melihat kesamaan dari dua citra yaitu dengan melihat nilai SSIM, jika nilai SSIM mendekati 1 maka kedua citra tersebut semakin menunjukan kesamaan.
Perhitungan SSIM
dilakukan antara citra kemasan referensi dengan citra kemasan Kemasan Jenis Face 2
Face 3
Face 5
Corner
2-3-5
Edge 1-2 Sebelum diuji Dimensi Dimensi 1 .
Panjang:
Panjang:
Panjang:
Panjang:
147,22
Panjang:
Setelah diuji Dimensi Dimensi 2 1 .
Lebar:
Panjang:
Panjang:
Lebar: 41 65 Panjang:
Lebar: 40 127, 5 Panjang:
148,43
Panjang:
Lebar: 63 Lebar: 44 Lebar: 44 Tabel 1.
Dimensi kemasan sebelum dan sesudah dijatuhkan Dua citra yang sama jika dihitung nilai SSIM nya akan bernilai 1 seperti yang ditunjukan pada Tabel 2.
Dengan 15 citra kemasan kertas karton lipat dihitung nilai SSIM dengan citra yang sama semuanya bernilai 1.
Citra 1 .
Citra Referensi 1 Citra Referensi 2 Citra Referensi 3 Citra Referensi 4 Citra Referensi 5 Citra Referensi 6 Citra Referensi 7 Citra Referensi 8 Citra Referensi 9 Citra Referensi 10 Citra Referensi 11 Citra Referensi 12 Citra Referensi 13 Citra Referensi 14 Citra Referensi 15 .
Gambar 5.
Citra Kemasan Sebelum dijatuhkan .
Citra Kemasan Setelah dijatuhkan Perubahan ukuran kemasan ditampilkan pada tabel 1 yang menunjukan ukuran kemasan 1 sebelum dijatuhkan dan ukuran kemasan setelah dijatuhkan.
Pengukuran kemasan sebelum dan sesudah diukur dengan menggunakan jangka sorong dengan 1 mm.
Secara ukuran kemasan sebelum dijatuhkan dan sesudah dijatuhkan memiliki ukuran yang berbeda hal ini menunjukan pada satu face ketika setelah diuji jatuh bertambahnya ukuran panjang atau lebar namun di face yang lain terjadi berkurangnya ukuran panjang atau lebar.
Jika dilihat secara visual dari citra di Gambar 5.
b, memang tidak terlihat adanya penyok atau perubahan dimensi yang signifikan, namun secara jelas diukur dengan jangka sorong dan ditampilkan pada tabel 1 untuk mengilustrasikan perbedaan antara sebelum dan Ketika kemasan dilalukan uji jatuh dari ketinggian 76 cm secara dimensi kemasan akan ada bagian yang tidak normal disatu sisi hal ini bisa dibuktikan pada face 2, dimana setelah dijatuhkan dimensi panjang kemasan 126,2 mm sementara setelah dijatuhkan mengalami pertambahan panjang menjadi 127 mm namun disisi lain untuk lebar sebelum di uji 64,4 mm lalu lebar setelah dijatuhkan mengalami pengurangan menjadi 63 mm.
Hal ini menandakan bentuk dari kemasan tersebut setelah dijatuhkan tidak simetris kotak namun jika dilihat secara visual tidak terlalu Citra 2
SSIM
Citra Referensi 1 Citra Referensi 2 Citra Referensi 3 Citra Referensi 4 Citra Referensi 5 Citra Referensi 6 Citra Referensi 7 Citra Referensi 8 Citra Referensi 9 Citra Referensi 10 Citra Referensi 11 Citra Referensi 12 Citra Referensi 13 Citra Referensi 14 Citra Referensi 15 Tabel 2.
SSIM Dengan Dua Citra Sama Selanjutnya untuk menentukan apakah kemasan termasuk cacat atau tidak dari nilai SSIM, perlu diketahui sebelumnya nilai ambang batas.
Nilai ambang batas ini menjadikan acuan ketika nilai SSIM dari citra referensi dan citra uji dibawah nilai ambang batas maka kemasan bisa dikategorikan kemasan cacat.
Pada Tabel 3 menunjukan nilai SSIM antara dua citra yaitu citra referensi dan citra uji.
Nilai SSIM yang ditunjukan pada Tabel 3 bisa menjadi acuan ambang batas dalam penentuan apakah kemasan termasuk cacat atau tidak.
Rentang nilai SSIM yang didapatkan antara citra uji dan citra referensi dari 0,361 hingga 0,546.
JURNAL MULTI MEDIA DAN IT - VOL.
08 NO.
PP 033-038
Citra 1
Citra Referensi 1
Citra Referensi 2
Citra Referensi 3
Citra Referensi 4
Citra Referensi 5
Citra Referensi 6
Citra Referensi 7
Citra Referensi 8
Citra Referensi 9
Citra Referensi 10
Citra Referensi 11
Citra Referensi 12
Citra Referensi 13
Citra Referensi 14
Citra Referensi 15
Citra 2
Citra Uji 1
Citra Uji 2
Citra Uji 3
Citra Uji 4
Citra Uji 5
Citra Uji 6
Citra Uji 7
Citra Uji 8
Citra Uji 9
Citra Uji 10
Citra Uji 11
Citra Uji 12
Citra Uji 13
Citra Uji 14
Citra Uji 15
SSIM
0,464
0,456
0,457
0,478
0,546
0,501
0,447
0,431
0,496
0,455
0,377
0,397
0,435
0,487
0,361
lipat bisa menjadi salah satu alternatif untuk memulai sistem deteksi menuju otomatisasi.
Pengujian sistem dibagi menjadi dua bagian, pengujian pertama pada dua citra yang sama nilai SSIM bernilai 1.
Sementara pada dua citra uji yang berbeda, nilai SSIM berada pada rentang 0,361 hingga 0,546.
Nilai rentang SSIM tersebut dapat menjadi acuan nilai ambang batas bagi sistem saat penentuan apakah kemasan termasuk kategori cacat atau tidak.
Dalam pengembangan lebih lanjut, hasil penelitian ini dapat dikembangkan lebih lanjut dari segi integrasi sistem antara perangkat lunak dan perangkat keras agar sistem dapat diaplikasikan di dunia industri.
DAFTAR PUSTAKA