Prediksi Defect Produk Casting Dengan Algoritma SVM Berbasis RBF dan Linier
Article Sidebar
Main Article Content
Abstract
Produksi barang casting (coran) merupakan proses manufaktur yang penting dalam berbagai industri, termasuk otomotif, konstruksi, dan banyak lainnya. Dalam proses produksi casting hal yang paling krusial adalah mengenai kualitas produk. Maka, dalam mengindentifikasi defect atau cacat pada produk adalah kunci untuk menghindari kerugian besar pada perusahaan, serta hal yang paling utama adalah menjaga kepuasan pelanggan. Karena pada era industri saat ini persaingan antar perusahaan industri semakin ketat, maka perusahaan harus mampu menghasilakan produk dengan kualitas terbaik agar tidak tertinggal dalam persaingan industri saat ini. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan metode prediksi defect produk casting menggunakan algoritma Support Vector Machine (SVM) dengan dua jenis kernel, yaitu Radial Basis Function (RBF) dan Linear. Pada penelitian ini mengumpulkan data kualitas produk casting yang sebelumnya berbentuk gambar diubah menjadi numerik agar dapat diklasifikasi dengan akurat menggunakan metode algoritma SVM. Data tersebut kemudian dibagi menjadi dua kelompok, yaitu data pelatihan (training data) dan data pengujian (testing data). Algoritma SVM dengan kernel RBF dan kernel Linier diterapkan pada data pelatihan untuk menghasilkan model prediksi. Hasil penelitian menunjukkan bahwa algoritma SVM dengan kernel RBF dan kernel Linier dapat digunakan untuk memprediksi defect produk casting. Namun, penggunaan kernel RBF cenderung memberikan kinerja yang lebih baik dalam memodelkan pola cacat dalam produk casting. Model prediksi yang dihasilkan mampu mengidentifikasi kemungkinan cacat dalam produk casting dengan tingkat akurasi yang memuaskan. Secara keseluruhan penelitian ini memberikan kontribusi penting dalam meningkatkan kualitas produksi dalam industri casting dengan mengimplementasikan algoritma SVM untuk prediksi defect. Dengan demikian, industri dapat mengurangi risiko cacat produk, kerugian yang signifikan, serta mampu bertahan di era persaingan industri saat ini.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
J. C. D. K. and J. J. S.Oh, “Quality Inspection of Casting Product Using CAE and CNN,” Int. Conf. Imaging, Signal Process. Commun., 2020, Accessed: Oct. 17, 2023. [Online]. Available: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9444031&isnumber=9444022
B. P. Kamiel, A. J. Wiranto, B. Riyanta, and S. Yulianto, “Klasifikasi Cacat Lintasan Dalam Bantalan Bola Berbasis Support Vector Machine (SVM) pada Fan Industri,” Semesta Tek., vol. 22, no. 2, 2019, doi: 10.18196/st.222246.
D. R. W. Dadang Iskandar Mulyana, “IMPLEMENTASI TINGKAT KEMATANGAN BUAH MONK DENGAN MENGGUNAKAN EKSTRAKSI GRAY-LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM),” JINTEKS (Jurnal Inform. Teknol. dan Sains), vol. 5, no. 3, pp. 1–6, 2023.
H. Syah and A. Witanti, “Analisis Sentimen Masyarakat Terhadap Vaksinasi Covid-19 Pada Media Sosial Twitter Menggunakan Algoritma Support Vector Machine (Svm),” J. Sist. Inf. dan Inform., vol. 5, no. 1, pp. 59–67, 2022, doi: 10.47080/simika.v5i1.1411.
R. Nuraini, R. Destriana, D. Nurnaningsih, Y. Daniarti, and A. Desi Alexander, “Sunflower Image Classification Using Multiclass Support Vector Machine Based on Histogram Characteristics,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 1, pp. 146–152, Feb. 2023, doi: 10.29207/resti.v7i1.4673.
H. A. Sihombing and I. C. Buulolo, “Pengenalan Buah Kopi Berdasarkan Parameter Warna Menggunakan Algoritma Backpropagation Dan Algoritma Support Vector Machine (Svm),” Seminastika, vol. 3, no. 1, pp. 26–32, 2021, doi: 10.47002/seminastika.v3i1.234.
F. Amalya and S. Harlena, “Klasifikasi Buah Berkhasiat Obat Dengan Algoritme Euclidean Distance Menggunakan Ekstraksi Ciri Bentuk dan Tekstur,” J. Inform. J. Pengemb. IT, vol. 7, no. 2, pp. 67–73, 2022, doi: 10.30591/jpit.v7i2.3688.
A. Herdiansah, R. I. Borman, D. Nurnaningsih, A. A. J. Sinlae, and R. R. Al Hakim, “Klasifikasi Citra Daun Herbal Dengan Menggunakan Backpropagation Neural Networks Berdasarkan Ekstraksi Ciri Bentuk,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 2, p. 388, 2022, doi: 10.30865/jurikom.v9i2.4066.
I. Maulida, A. Suyatno, and H. R. Hatta, “Seleksi Fitur Pada Dokumen Abstrak Teks Bahasa Indonesia Menggunakan Metode Information Gain,” J. SIFO Mikroskil, vol. 17, no. 2, pp. 249–258, 2016, doi: 10.55601/jsm.v17i2.379.
D. Abror, “Analisis Sentimen Review Aplikasi PeduliLindungi Menggunakan Seleksi Fitur Information Gain Berbasis SVM,” Indones. J. Softw. Eng., vol. 9, no. 1, pp. 1–8, 2023, [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/ijse
H. Hozairi, A. Anwari, and S. Alim, “Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes,” Netw. Eng. Res. Oper., vol. 6, no. 2, p. 133, 2021, doi: 10.21107/nero.v6i2.237.
R. Maneno, B. Baso, P. G. Manek, and K. Fallo, “Deteksi Tingkat Kematangan Buah Pinang Menggunakan Metode Support Vector Machine Berdasarkan Warna Dan Tekstur Detecting the Level of Ripeness of Areca Fruit Using the Support Vector Machine Method Based on Color and Texture,” no. 2022, 2023.
J. Rusman and N. Pasae, “Prototype Sistem Penyortir Buah Kopi Arabika Berdasarkan Tingkat Kematangan Menggunakan Metode Support Vector Machine,” Teknika, vol. 12, no. 1, pp. 65–72, 2023, doi: 10.34148/teknika.v12i1.602.
M. . Imelda A.Muis & Muhammad Affandes, “Penerapan Metode Support Vector Machine ( SVM ) Menggunakan Kernel Radial Basis Function ( RBF ) Pada Klasifikasi Tweet,” Sains, Teknol. dan Ind. Sultan Syarif Kasim Riau, vol. 12, no. 2, pp. 189–197, 2015.
I. Riadi, R. Umar, and F. D. Aini, “ANALISIS PERBANDINGAN DETECTION TRAFFIC ANOMALY DENGAN METODE NAIVE BAYES DAN SUPPORT VECTOR MACHINE (SVM),” Ilk. J. Ilm., vol. 11, no. 1, pp. 17–24, May 2019, doi: 10.33096/ilkom.v11i1.361.17-24.