Jurnal Teknologi dan Rekayasa Manufaktur JTRM | Vol.
6 | No.
1 | Tahun 2024
ISSN (P): 2715-3908 | ISSN (E): 2715-016X
DOI: HTTPS://DOI.
ORG/10.
48182/JTRM.
V6I1.
Sistem Pemeriksaan Jumlah Fisik Botol Kaca Berbasis Citra pada Proses Pengepakan Manufaktur Industri Susetyo Bagas Bhaskoro.
Hadi Supriyanto.
Syamsul Falah Teknik Otomasi Manufaktur dan Mekatronika.
Politeknik Manufaktur Bandung Email: bagas@polman-bandung.
Informasi Artikel:
ABSTRAK
Received:
Machine vision merupakan teknologi yang biasa digunakan pada industr i modern untuk analisis dan inspeksi otonom berbasis citra.
Machine vision 30 Januari 2023 Accepted:
01 April 2024 Available:
28 Juni 2024 membantu proses analisis dan inspeksi produk di industri lebih cepat dibandingkan dengan analisis dan inspeksi manual.
Penelitian ini menerapkan Machine vision pada sistem identifikasi jumlah produk berbasis pengolahan citra pada proses pengepakan industri manufaktur dengan menggunakan algoritma YOLOv4 dan evaluasi sistem confusion Hasil dari identifikasi disimpan di database dan ditampilkan pada website agar memudahkan proses monitoring.
Sistem ini telah melakukan beberapa pengujian terutama pengujian fungsi utama sistem yatu perhitungan produk, dilakukan 10x percobaan.
Kemudian, pengujian variasi intesitas cahaya dengan range 20 Ae 225lux dan variasi ketinggian dengan range 48 Ae 68 cm dengan masing Ae masing pengujian sebanyak 10x percobaan.
Dari pengujian yang telah dilakukan diterapkan evaluasi confusion matrix dan menghasilkan akurasi dan presisi sebesar 100% dan error sebesar 0%.
Kecepatan komputasi rata Ae rata dari sistem ini sebesar 95 FPS dengan bantuan CUDA.
Kata Kunci:
ABSTRACT
Machine vision Machine vision is a technology commonly used in modern industry for image-based autonomous analysis and inspection.
Machine vision helps the process of product analysis and inspection in the industry faster than manual analysis and inspection.
This study applies Machine vision to an image processing-based product number identification system in the manufacturing industry packing process using the YOLOv4 algorithm and evaluation of the confusion matrix system.
The results of the identification are stored in a database and displayed on the website to facilitate the monitoring process.
This system has carried out several tests, especially testing the main function of the system, namely product calculations, carried out 10x experiments.
Then, testing variations in light intensity with a range of 20 Ae 225 lux and variations in height with a range of 48 Ae 68 cm with 10 trials each.
From the tests that have been carried out, an evaluation of the confusion matrix is applied and produces an accuracy and precision of 100% and an error of 0%.
The average computing speed of this system is 6.
95 FPS with the help of CUDA.
Object Counter Object Detection YOLOv4 polman-bandung.
13 | JTRM
Susetyo Bagas Bhaskoro.
Hadi Supriyanto.
Syamsul Falah
1 PENDAHULUAN
Machine vision merupakan teknologi yang biasa digunakan pada industri modern untuk analisis dan inspeksi otonom berbasis citra .
Menurut Harry pada artikel .
menyatakan Machine vision dapat diterapkan untuk deteksi kehadiran, pengukuran otomatis, pembacaan barcode, membandingkan warna, deteksi cacat produk, perhitungan produk otomatis dan lain Ae lain.
Machine vision sendiri sering disamakan dengan computer vision .
dan memiliki sistem yang terdiri dari beberapa proses secara berurutan, diantaranya.
akuisisi citra, digitalisasi, filtering, pengumpulan informasi, dan eksekusi keputusan .
Pada perkembangannya.
Machine vision telah diterapkan di berbagai bidang industri seperti industri makanan, industri tekstil, dan industri keramik .
dikarenakan penggunaan Machine vision membuat analisis dan inspeksi lebih cepat dibandingkan dengan analisis dan inspeksi Menurut M.
Khalim dkk.
pada penelitian .
menjelaskan bahwa pada salah satu perusahaan, perhitungan produk masih dilakukan secara manual yang tidak berbanding sama dengan hasil produksi yang lebih besar sehingga perhitungan produk tertumpuk.
Oleh karena itu, teknologi menjadi solusi untuk menyelesaikan masalah tersebut dan salah satu teknologi yang cocok adalah Machine vision.
Dengan penjelasan di atas, pada penelitian ini penulis telah membuat sistem identifikasi jumlah produk berbasis pengolahan citra pada proses pengepakan industri manufaktur dengan algoritma pendeteksian objek YOLOv4 dan evaluasi confusion matrix.
Sistem ini diharapkan dapat membantu sebuah industri dalam identifikasi jumlah fisik sebuah produk dengan cepat dibandingkan identifikasi manual.
2 METODOLOGI PENELITIAN
Gambaran Umum Sistem Gambar 1.
Gambaran umum sistem
14 | JTRM
Sistem Pemeriksaan Jumlah Fisik Botol Kaca Berbasis Citra pada Proses Pengepakan Manufaktur Industri Pada Gambar 1.
menunjukkan gambaran umum dari sistem yang akan dibuat, yang terdiri dari 4 bagian sistem.
input sistem, sistem kontrol, sistem aktuator, dan sistem monitoring.
Langkah awal sistem yang akan dibuat yaitu sensor jarak mendeteksi adanya objek pada zona pendeteksian dalam jarak sekian sentimeter apabila objek berada pada jarak tertentu akan menjalankan motor stepper yang akan menggerakkan webcam pole pada lintasan.
Ketika kamera webcam melewati objek yang berada pada zona pendeteksian, proses deteksi objek berlangsung dan perhitungan jumlah botol kaca dalam crate.
Kemudian, dari hasil deteksi dan perhitungan jumlah botol kaca dalam crate akan disimpan dalam database yang selanjutnya ditampilkan dalam website secara real-time.
1 Diagram Alir Sistem Adapun diagram alir dari sistem yang telah dibuat adalah sebagai berikut:
Gambar 2.
Diagram alir sistem Pada Gambar 2.
menampilkan diagram alir dari sistem yang akan dibuat.
Sistem diawali dengan kondisi webcam aktif, pole tempat mendudukkan webcam dan sensor jarak dalam kondisi stand by .
Kemudian, apabila sensor jarak mendeteksi objek pada zona pendeteksian maka sensor akan memberi sinyal pada mikrokontroller dan mengaktifkan motor stepper, apabila sensor jarak tidak mendeteksi maka periksa kembali kondisi awal.
Motor stepper yang 15 | JTRM Susetyo Bagas Bhaskoro.
Hadi Supriyanto.
Syamsul Falah telah diaktifkan akan menggerakkan webcam pole dan webcam akan mendeteksi dan menghitung objek.
Setelah objek telah dideteksi dan dihitung jumlahnya, data akan disimpan dalam database yang kemudian ditampilkan pada halaman website.
Perancangan Mekanikal Sistem Perancangan mekanikal sistem dibutuhkan agar keseluruhan sistem bekerja, pada perancangan ini penulis ingin menampilkan spesifikasi dari rancangan mekanikal sistem.
Gambar 3.
Rancangan mekanikal sistem Spesifikasi dari rancangan mekanikal sistem ditampilkan pada Tabel 1.
Tabel 1.
Spesifikasi rancangan mekanikal Jenis Dimensi Lintasan Pole Webcam Dimensi Pole Webcam Dimensi Penampang Pole Webcam Penggerak Penampang Pole Webcam Aktuator Keterangan 750 x 20 x 40 mm Vertically 750x20x20 mm Horizontally 75 x 75 x 3 mm Roller-Bearing, dan Timing Belt Motor Stepper NEMA-17 HS4401 Perancangan Elektrikal Sitem Gambar 4.
Rancangan elektrikal sistem Setelah perancangan mekanikal sistem dibuat, penulis membuat rancangan elektrikal sistem dari sistem yang akan dibuat seperti pada Gambar 4.
yang menampilkan motor stepper diberi sinyal dari driver TB6560, sumber driver dari power supply 24V dan GND ke ground.
CW driver terhubung ke pin D2 dan CLK driver terhubung ke pin D4 dari Arduino sedangkang CW- dan CLK- terhubung ke GND Arduino.
Untuk sensor Sharp GP2Y0A02YK0F sinyal ke pin AO.
GND ke GND, dan Vcc ke 5V pada Arduino.
16 | JTRM
Sistem Pemeriksaan Jumlah Fisik Botol Kaca Berbasis Citra pada Proses Pengepakan Manufaktur Industri Untuk spesifikasi rancangan elektrikal terlampir pada Tabel 2.
sebagai berikut:
Tabel 2.
Spesifikasi rancangan elektrikal sistem Jenis Mikrokontroller Driver Komunikasi Data Jumlah Input I/O Digital Jumlah Input I/O Analog Keterangan Arduino Uno R3 TB6560 3A Upgrade Serial 2 Buah 1 Buah Penerapan Metode Waterfall untuk Perancangan Program Metode waterfall .
diterapkan untuk perancangan program .
Pada Gambar 3.
tahapan Ae tahapan dari penerapan metode waterfall.
Penulis memilih metode waterfall dikarenakan metode ini memudahkan untuk mengontrol pengembangan model dikarenakan proses dari pengembangan modelnya one by one seperti air terjun yang dimana proses satu harus lengkap dan selesai terlebih dahulu sebelum lanjut ke proses selanjutnya sehingga dapat meminimalisir kesalahan yang mungkin terjadi.
Gambar 5.
Tahapan Ae tahapan penerapan metode penelitian waterfall .
Pada Gambar 5.
telah ditunjukkan tahapan Ae tahapan dari penerapan metode penelitian waterfall sebanyak lima tahapan.
Pertama yaitu tahapan analisis tuntutan, pada tahap ini penulis melakukan pengumpulan data Ae data yang dibutuhkan untuk memenuhi tuntutan sistem yang akan dibuat.
Kedua yaitu tahapan rancangan sistem, setelah mengumpulkan data Ae data yang dibutuhkan untuk membuat sistem, pada tahapan ini penulis membuat rancangan sistem sesuai dengan tuntutan sistem yang sudah dikumpulkan untuk memenuhi tujuan yang Ketiga yaitu tahapan implementasi, rancangan yang sudah terbentuk kemudian dibuat dalam bentuk program agar dapat diimplementasikan pada sistem.
Keempat yaitu pengujian, setelah program dibuat, penulis melakukan percobaan dari program tersebut dan melihat output dari sistem apakah sudah sesuai dengan tujuan yang diinginkan atau belum.
Terakhir yaitu evaluasi untuk memastikan hasil dari pengujian agar sistem berjalan sesuai dengan tuntutan dan tujuan yang diinginkan .
17 | JTRM
Susetyo Bagas Bhaskoro.
Hadi Supriyanto.
Syamsul Falah 1 Analisa Tuntutan Sistem Tahapan awal dari metode waterfall yaitu tahapan analisa tuntutan.
Pada tahap ini, penulis melakukan pengumpulan data Ae data yang dibutuhkan untuk memenuhi tuntutan sistem yang akan dibuat.
Tuntutan tersebut salah satunya output seperti apa yang diinginkan dari sistem tersebut.
Dari sistem yang penulis buat dan teliti, output utama yang diinginkan adalah mendeteksi tutup botol kaca dan menghitung jumlah botol kaca dalam satu crate botol berukuran 6 x 4 .
si 24 Untuk mencapai output tersebut, penulis membutuhkan data pendukung seperti algoritma deteksi objek, logika penghitung objek, ukuran dimensi crate, jarak webcam dengan crate, jarak alat dengan crate.
Setelah sistem dapat mendeteksi dan menghitung jumlah botol kaca sesuai dengan tujuan yang diinginkan, kemudian data output tersebut disimpan dalam database.
Untuk mencapainya, penulis membutuhkan data pendukung seperti jumlah botol kaca yang terdapat dalam crate, jumlah botol kaca yang tidak terdapat dalam crate, tabel database.
Terakhir, setelah data output tersimpan dalam database, data output yang tersimpan ditampilkan pada halaman website agar memudahkan proses monitoring.
Untuk mencapai tujuan tersebut, penulis membutuhkan data pendukung seperti framework website yang cocok dan ringan, program export data dari dalam database ke dalam framework database yang telah dibuat.
Tabel 3.
berisikan kumpulan data yang dibutuhkan untuk membuat sistem penghitung botol kaca dalam satu crate berbasis citra agar memudahkan pelaku industri dalam proses perhitungan botol kaca dalam satu crate sehingga mengurangi cost dan waktu yang tidak Tabel 3.
Tabel data Ae data tuntutan sistem Tuntutan Sistem Model algoritma deteksi objek Logika penghitung objek Output Sistem Klasifikasi objek crate botol dalam crate Menghitung jumlah objek botol kaca dalam Data jumlah botol kaca dalam crate Tabel database, framework website Objek yang telah terdeteksi dan terhitung disimpan dalam database Menampilkan data yang tersimpan dalam database pada halaman website 2 Perancangan Sistem Perancangan sistem dilakukan dengan merencanakan model algoritma deteksi objek, algoritma penghitung objek, tabel database, framework website dan komponen lain yang dibutuhkan untuk menjalankan sistem sesuai dengan tujuan yang diinginkan.
Pada Tabel 4.
Menampilkan analisis dari rancangan sistem yang akan dibuat.
Tabel 4.
Perancangan sistem Perancangan Sistem Rancangan Model Algoritma Deteksi Objek Rancangan Logika Penghitung Objek Rancangan Tabel Database Manager 18 | JTRM Metode Menggunakan YOLO (You Only Look Once ) Menggunakan fungsi len() dari Python Menggunakan MySQL Sistem Pemeriksaan Jumlah Fisik Botol Kaca Berbasis Citra pada Proses Pengepakan Manufaktur Industri Rancangan website Menggunakan framework CodeIgniter 3 Pengujian Rancangan Sistem Setelah melakukan analisis tuntutan, perancangan, selanjutnya penulis ingin melakukan pengujian pada rancangan sistem yang telah dibuat untuk mengetahui kemampuan dari sistem apakah sudah dapat memenuhi tuntutan dari tujuan yang ingin dicapai.
Pada tahapan pengujian rancangan sistem, penulis membuat skema pengujian agar pengujian terstruktur.
Tabel 5.
Skema pengujian rancangan sistem Pengujian Sistem Pengujian Rancangan Model Algoritma Deteksi Objek Fungsi Mengamati hasil deteksi dari model algoritma YOLOv4 mengikuti dataset yang sudah di- Pengujian Rancangan Logika Penghitung Objek Pengujian Rancangan Tabel Database Manager Pengujian Rancangan website Mengamati hasil dari program Python penghitung objek mengikuti jumlah objek yang terdeteksi.
Mengamati hasil dari perhitungan objek apakah sudah bisa input ke dalam database atau belum.
Mengamati hasil dari perngujian integrasi tabel database dengan website, dengan menampilkan data dalam database pada 4 Evaluasi Sistem Evaluasi sistem dilakukan untuk melihat hasil dari pengujian apakah sudah memenuhi tuntutan sistem yang diinginkan agar alat dapat bekerja dengan baik dan optimal.
Untuk mengevaluasi sistem penulis menggunakan metode Confusion Matrix untuk menghitung error dan mengamati hasil presisi dan akurasi.
Confusion matrix adalah metode evaluasi dengan cara membuat tabel yang menyatakan klasifikasi jumlah data nilai aktual dan jumlah data nilai prediksi .
Contoh penerapan metode confusion matrix pada klasifikasi bilangan biner ditunjukkan pada Tabel 6.
Tabel 6.
Contoh confusion matrix Nilai Prediksi Nilai Aktual TP (True Positiv.
= Jumlah hasil prediksi angka 1 yang aktual angka 1.
TN (True Negativ.
= Jumlah hasil prediksi angka 0 yang aktual angka 0.
FP (False Positiv.
= Jumlah hasil prediksi angka 1 yang aktual angka 0.
FN (False Negativ.
= Jumlah hasil prediksi angka 0 yang aktual angka 1.
error II .
Berdasarkan hasil dari klasifikasi confusion matrix dapat menghasilkan perhitungan accuracy, precision, dan error.
19 | JTRM
Susetyo Bagas Bhaskoro.
Hadi Supriyanto.
Syamsul Falah Dengan persamaan secara berurutan sebagai berikut:
TP TN
Accuracy = A Precision = A Error = TP TN FP FN
TP FP
y 100% y 100% FP FN
TP TN FP FN
y 100% Penjelasan:
Nilai accuracy adalah rasio prediksi benar baik positif maupun negative terhadap keseluruhan data.
Nilai precision adalah rasio nilai TP prediksi terhadap keseluruhan nilai prediksi positif.
Nilai error adalah nilai kesalahan prediksi terhadap nilai aktual.
3 HASIL
Pengujian Rancangan Elektrikal dan Mekanikal Sistem Pada pengujian rancangan elektrikal dan mekanikal, penulis ingin mengamati hasil integrasi dari pembacaan sensor dengan mikrokontroller dan motor stepper, dikarenakan pengujian ini merupakan dasar dari sistem alat, apabila rancangan elektrikal dan mekanikal tidak memenuhi tuntutan sistem yang dibutuhkan maka keseluruhan sistem alat tidak akan berjalan maksimal.
Tabel 7.
merupakan tabel data dari hasil pengujian rancangan elektrikal dan mekanikal.
Tabel 7.
Hasil pengujian rancangan elektrikal dan mekanikal Jarak Pembacaan Sensor Mikrokontroller AoNo objectAo AoNo objectAo AoNo objectAo AoObject inside counting zoneAo AoNo objectAo Motor Stepper Tidak Bergerak Tidak Bergerak Tidak Bergerak Bergerak Tidak Bergerak Mengacu pada Tabel 7.
hasil pengujian elektrikal dan mekanikal menampilkan pembacaan sensor jarak pada lima titik jarak.
5, 10, 15, 20, dan 25cm.
Pada jarak 5, 10, dan 15cm di depan sensor jarak, mikrokontroller pada Arduino IDE memberikan output AoNo objectAo mengikuti hasil program sehingga motor stepper tidak bergerak karena pembacaan objek belum pada zona perhitungan.
Pada jarak 20cm di depan sensor jarak, mikrokontroller pada Arduino IDE menampilkan output AoObject inside counting zoneAo karena pembacaan objek berada pada range zona perhitungan sehingga membuat motor stepper bergerak sejauh A30cm.
Sedangkan pada jarak 25 cm di depan sensor jarak, mikrokontroller pada Arduino IDE menampilkan output AoNo objectAo lagi karena pembacaan objek sudah di melewati range zona perhitungan dan motor stepper tidak bergerak.
20 | JTRM
Sistem Pemeriksaan Jumlah Fisik Botol Kaca Berbasis Citra pada Proses Pengepakan Manufaktur Industri Pengujian Model Algoritma Deteksi Objek Pengujian ini diawali dengan pembuatan program.
Langkah awal dalam pembuatan program deteksi objek adalah dengan memuat konfigurasi, weights, dan list kelas untuk kebutuhan model algoritma YOLOv4.
Selanjutnya, merubah setelan komputasi program menggunakan CUDA menjadi GPU agar proses pendeteksian objek frame by frame lebih cepat dibanding dengan CPU.
Lalu, membuat looping agar frame selalu terbuka dikarenakan video merupakan kumpulan dari banyak frame sehingga pendeteksian terjadi setiap frame.
Berikutnya, pembuatan bounding boxes pada setiap deteksi objek dengan kelas yang diperkirakan, apabila kelas dari deteksi objek merupakan Ao0Ao yang berarti Aobottle crateAo maka bounding box berwarna hijau, apabila kelas dari deteksi objek merupakan Ao1Ao yang berarti AobottlecapAo maka bounding box-nya berwarna biru.
Setelah program dijalankan akan membuka jendela Ao OutputAo.
Pengujian model algoritma deteksi objek dibagi menjadi beberapa bagian, diantaranya.
pengujian deteksi dan klasifikasi objek, pengujian nilai confidence deteksi objek, pengujian deteksi objek dengan kondisi khusus, dan pengujian kecepatan komputasi deteksi objek.
1 Pengujian Deteksi dan Klasifikasi Objek Pada Tabel 8.
menampilkan hasil dari pengujian deteksi dan klasifikasi objek.
Tabel 8.
Hasil pengujian deteksi dan klasifikasi Hasil Deteksi Keterangan Deteksi Objek Tutup Botol Deteksi Objek Crate Klasifikasi Objek Hasil dari pengujian deteksi dan klasifikasi objek dapat dinyatakan berhasil.
Mengacu pada file names, kelas Ao0Ao berarti AobottlecrateAo dengan bounding box hijau dan kelas Ao1Ao berarti Aobottlecap Ao dengan bounding box biru.
File obj.
names merupakan list dari kelas yang sudah ditraining.
21 | JTRM
Susetyo Bagas Bhaskoro.
Hadi Supriyanto.
Syamsul Falah Gambar 6.
Isi file obj.
2 Pengujian Nilai Confidence Deteksi Objek Deteksi objek yang dihitung nilai confidence-nya hanya pada deteksi objek kelas AobottlecapAo.
Nilai confidence pada program harus dikali 100 untuk mendapatkan nilai persentase.
Tabel 9.
Hasil pengujian deteksi dan klasifiakasi Rata Ae Rata Confidence(%) No.
No.
22 | JTRM
Output Output Rata Ae Rata Confidence(%) Sistem Pemeriksaan Jumlah Fisik Botol Kaca Berbasis Citra pada Proses Pengepakan Manufaktur Industri Total rata Ae rata Dengan 10x percobaan didapatkan total rata Ae rata nilai confidence adalah 99.
Dengan begitu, pengujian nilai confidence pada deteksi objek tutup botol dapat dikatakan sangat baik.
3 Pengujian Kecepatan Komputasi Deteksi Objek FPS adalah jumlah banyaknya frame yang dimuat dalam satu detik.
Proses deteksi objek pada video memperhatikan banyaknya FPS dikarenakan video merupakan kumpulan frame yang disatukan, sehingga apabila FPS dari video tinggi maka hasil pemutaran video akan berjalan lancar dan tidak mengganggu proses perhitungan objek karena posisi dari titik x pada bounding box per frame sangat mempengaruhi hasil perhitungan pada sistem alat ini.
Tabel 10.
Hasil pengujian kecepatan komputasi deteksi objek
Detik
FPS GPU
FPS CPU
Average FPS GPU
Average FPS CPU
Detik
FPS GPU
FPS CPU
Pada Tabel 10.
menampilkan perbandingan banyaknya FPS dan rata Ae rata FPS pada proses komputasi deteksi objek antara menggunakan GPU dengan bantuan CUDA dan hanya menggunakan CPU dari 80 detik.
Rata Ae rata FPS proses komputasi dengan GPU sebanyak 95 FPS dan dengan CPU sebanyak 1.
19 FPS.
23 | JTRM
Susetyo Bagas Bhaskoro.
Hadi Supriyanto.
Syamsul Falah Pengujian Logika Penghitung Objek Pada pengujian logika penghitung objek terdapat delapan sub -pengujian, diantaranya pengujian perhitungan produk, pengujian perhitungan produk beda posisi, pengujian perhitungan produk dengan tutup botol silver, pengujian perhitungan produk dengan tutup botol gold, pengujian perhitungan produk dengan tutup botol merah, pengujian perhitungan produk dengan tutup botol hijau, pengujian perhitungan produk dengan tanpa tutup botol, dan pengujian perhitungan produk dengan botol terbalik.
1 Pengujian Perhitungan Produk Pengujian ini merupakan fungsi utama dari sistem alat.
Perhitungan objek tutup botol dilakukan sebagai ganti perhitungan jumlah botol dalam crate maka apabila ingin menghitung jumlah botol kaca diharapkan selalu menempatkan tutup botolnya, pada hasil pengujian ini juga menerapkan evaluasi confusion matrix untuk melihat seberapa besar accuracy, precision, dan error.
Tabel 11.
Hasil pengujian perhitungan objek tutup botol Manual No.
Keterangan Otomatis Isi Kurang Isi Kurang Total Pada Tabel 11.
telah ditampilkan hasil perhitungan objek tutup botol dalam crate sebanyak 10x percobaan.
Setelah data pengujian terkumpul, selanjutnya menerapkan evaluasi sistem confusion matrix.
Untuk evaluasi confusion matrix, data yang sudah terkumpul dimasukkan ke dalam persamaan di bawah ini:
Accuracy = 152 88 y 100 = 100% 152 88 0 0 Precision = y 100% = 100% 152 0 y 100% = 0% 152 88 0 0 Error = 24 | JTRM Sistem Pemeriksaan Jumlah Fisik Botol Kaca Berbasis Citra pada Proses Pengepakan Manufaktur Industri Dari hasil perhitungan di atas dapat diambil informasi nilai accuracy sebesar 100%, precision sebesar 100%, dan error sebesar 0%.
Dengan begitu, hasil pengujian untuk perhitungan objek tutup botol sudah sangat memuaskan mengingat pengujian ini untuk penerapan fungsi utama sistem alat.
2 Pengujian Perhitungan Produk Beda Posisi Pada pengujian ini sama seperti pengujian sebelumnya namun dengan posisi yang berbeda dan isi yang sama.
Pengujian ini dilakukan untuk membuktikan perhitungan produk tidak hanya pada posisi tertentu namun bisa pada setiap posisi.
Hasil dari pengujian ini juga menerapkan evaluasi confusion matrix untuk melihat seberapa besar accuracy, precision, dan Tabel 12.
Hasil pengujian perhitungan objek tutup botol Manual No.
Keterangan Otomatis Isi Kurang Isi Kurang Total Pada Tabel 12.
telah ditampilkan hasil perhitungan objek tutup botol dengan posisi yang berbeda sebanyak 10x percobaan.
Setelah data pengujian terkumpul, selanjutnya menerapkan evaluasi sistem confusion matrix.
Untuk evaluasi confusion matrix, data yang sudah terkumpul dimasukkan ke dalam persamaan di bawah ini:
Accuracy = 152 88 y 100 = 100% 152 88 0 0 Precision = y 100% = 100% 152 0 y 100% = 0% 152 88 0 0 Error = Dari hasil perhitungan di atas dapat diambil informasi nilai accuracy sebesar 100%, precision sebesar 100%, dan error sebesar 0%.
Dengan begitu, hasil pengujian untuk perhitungan objek tutup botol dengan posisi yang berbeda sudah dapat disebut sangat baik.
25 | JTRM
Susetyo Bagas Bhaskoro.
Hadi Supriyanto.
Syamsul Falah 3 Pengujian Perhitungan Produk dengan Tanpa Tutup Botol Pada pengujian ini diterapkan kondisi khusus dimana sebagian botol kaca dipasangkan tutup botol dan sebagian lainnya tidak dipasangkan tutup botol.
Tujuan dari pengujian ini agar mengetahui seberapa besar persentase error dari sistem alat dengan adanya amb igu dalam rentang dataset.
Untuk evaluasi pada hasil pengujian ini penulis menerapkan metode evaluasi confusion matrix untuk melihat kinerja sistem alat pada perhitungan objek tutup botol dengan kondisi khusus.
Tabel 13.
Hasil pengujian perhitungan objek tutup botol Manual No.
Keterangan Otomatis DTB* TTB* DTB
TTB
Total *DTB berarti dengan tutup botol.
TTB berarti tanpa tutup botol.
Dengan data yang sudah terlampir pada Tabel IV.
dapat diketahui nilai accuracy, precision, dan error dari model algoritma deteksi objek YOLOv4 pada kondisi khusus dengan evaluasi confusion matrix.
Untuk evaluasi confusion matrix, data Ae data yang sudah terkumpul dimasukkan ke dalam persamaan:
Accuracy = 111 129 y 100 = 100% 111 129 0 0 Precision = y 100% = 100% 111 0 y 100% = 0% 111 129 0 0 Error = Dari hasil perhitungan di atas, didapatkan nilai accuracy sebesar 100%, precision 100%, dan error sebesar 0%.
Hasil pengujian ini dapat dikatakan sangat baik.
4 Pengujian Perhitungan Produk dengan Botol Terbalik Pada pengujian ini, sama seperti pengujian sebelumnya, diterapkan kondisi khusus dimana sebagian botol kaca diletakkan terbalik.
Tujuan dari pengujian ini agar mengetahui seberapa 26 | JTRM Sistem Pemeriksaan Jumlah Fisik Botol Kaca Berbasis Citra pada Proses Pengepakan Manufaktur Industri besar persentase error dari sistem alat dengan adanya ambigu dalam rentang dataset.
Untuk evaluasi pada hasil pengujian ini penulis menerapkan metode evaluasi confusion matrix untuk melihat kinerja sistem alat pada perhitungan objek tutup botol dengan kondisi khusus.
Tabel 14.
Hasil pengujian perhitungan objek tutup botol Manual No.
Keterangan Otomatis TT* Total *TT berarti tidak terbalik.
T berarti terbalik.
Dengan data yang sudah terlampir pada Tabel 14.
dapat diketahui nilai accuracy, precision, dan error dari model algoritma deteksi objek YOLOv4 pada kondisi khusus dengan evaluasi confusion matrix.
Untuk evaluasi confusion matrix, data Ae data yang sudah terkumpul dimasukkan ke dalam persamaan:
Accuracy = 153 87 y 100 = 100% 153 87 0 0 Precision = y 100% = 100% 153 0 y 100% = 0% 153 87 0 0 Error = Dari hasil perhitungan di atas, didapatkan nilai accuracy sebesar 100%, precision 100%, dan error sebesar 0%.
Hasil pengujian ini dapat dikatakan sangat baik.
4 KESIMPULAN
Dari hasil pengujian, dapat disimpulkan bahwa Sistem alat yang diuji telah dapat mendeteksi dan mengklasifikasikan objek antara kelas Aobottle crateAo dan AobottlecapAo dengan nilai confidence di atas 99%.
Rata Ae rata kecepatan komputasi dari sistem alat dengan bantuan CUDA 95 FPS.
Fungsi utama sistem alat yang diuji telah dapat menghitung dengan akurasi dan presisi 100% serta error dari hasil perhitungan sebesar 0%.
Juga dari kondisi Ae
27 | JTRM
Susetyo Bagas Bhaskoro.
Hadi Supriyanto.
Syamsul Falah kondisi khusus dari pengujian alat telah dilakukan dan mendapatkan presisi dan akurasi 100% serta error 0%.
5 REFERENSI