FAQIH, Fathan Muhammad (2025) KLASIFIKASI KECACATAN KERAMIK DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK VGG-19. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (34kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (251kB)
	Text 4. KATA PENGANTAR.pdf Restricted to Repository staff only Download (296kB)
	Text 6. ABSTRAK.pdf Download (71kB)
	Text 7. ABSTRACT.pdf Download (71kB)
	Text 11. BAB I.pdf Download (162kB)

Abstract

ABSTRAK
Keramik merupakan material penting yang digunakan dalam berbagai industri. Proses
inspeksi untuk mendeteksi cacat pada keramik saat ini masih dilakukan secara manual,
sehingga memakan waktu dan rentan terhadap kesalahan manusia. Penelitian ini berfokus
pada klasifikasi otomatis cacat permukaan keramik yang meliputi kondisi retak, bernoda,
goresan, dan normal dengan objek citra ubin keramik. Dataset penelitian bersumber dari
platform Roboflow yang diunggah oleh pengguna spencerflow. Dataset ini awalnya
berjumlah 2.760 citra, kemudian diperbanyak melalui augmentasi data menjadi 6.659 citra
(224×224 piksel) untuk mengatasi ketidakseimbangan kelas. Data kemudian dibagi menjadi
70% data latih, 15% data validasi, dan 15% data uji. Klasifikasi dilakukan menggunakan
Convolutional Neural Network (CNN) dengan arsitektur VGG-19 yang menerapkan
transfer learning. Hyperparameter yang diuji untuk optimasi adalah batch size, learning
rate, dan dropout. Hasil pengujian mendapatkan akurasi uji tertinggi sebesar 90.94%. Selain
itu, analisis ANOVA menunjukkan bahwa learning rate merupakan faktor paling dominan
yang secara signifikan memengaruhi test loss dan jumlah epoch, diikuti oleh batch size yang
juga berpengaruh signifikan terhadap test loss. Hasil ini membuktikan bahwa model yang
dikembangkan memiliki performa yang baik untuk mengklasifikasikan empat jenis cacat
pada permukaan keramik.
Kata kunci : Keramik, Klasifikasi, Convolutional Neural Network, Transfer Learning,
VGG-19

Actions (login required)

View Item