Deteksi Cacat Hasil Pengelasan Shielded Metal Arc Welding (Smaw) Berbasis Image Processing Menggunakan Yolov8
Kata Kunci:
Deteksi Objek, Cacat Las, SMAW, Digital Image Processing, YOLOv8, Spatter, Slag InclusionAbstrak
Latar Belakang: Pengelasan adalah proses penggabungan antara dua material atau lebih menjadi satu sambungan dengan menggunakan energi panas untuk mencairkan bagian material yang akan disatukan. Pengelasan yang tidak sempurna dapat menyebabkan cacat las seperti slag inclusion dan spatter yang dapat mempengaruhi kekuatan sambungan las dan mengurangi kualitasnya. Saat ini, metode Non-Destructive Test (NDT) digunakan untuk inspeksi pengelasan, namun metode ini masih memiliki keterbatasan seperti ketergantungan pada inspeksi manual yang rawan subjektivitas, waktu penyelesaian yang lama, dan kemungkinan terjadinya human error. Oleh karena itu, diperlukan sistem pendeteksian cacat las secara otomatis. Tujuan: Penelitian ini bertujuan membangun aplikasi deteksi cacat las berbasis image processing menggunakan algoritma YOLOv8 untuk meningkatkan efisiensi dan akurasi inspeksi pengelasan. Metode: Pengembangan aplikasi menggunakan platform Streamlit memungkinkan deteksi cacat secara interaktif yang mendorong keterlibatan langsung SDM dalam evaluasi kualitas pengelasan. Algoritma yang digunakan melibatkan tahapan image acquisition, labeling, splitting, preprocessing, dan augmentation, menghasilkan dataset baru 290 citra dari 20 citra awal yang telah diaugmentasi menggunakan Roboflow. Dataset dilatih menggunakan arsitektur YOLOv8 dalam varian small, medium, dan large dengan epoch 200. Hasil: YOLOv8m dengan kombinasi bach size 32, learning rate awal (lr0) dan learning rate final (lrf) 0.01 mendapatkan hasil evaluasi tertinggi dengan menggunakan mean average precision (mAP) sebesar 0.904 dengan waktu komputasi 0.929 hours. Dengan menggunakan kombinasi parameter yang sama YOLOv8s mampu memperoleh akurasi 0,903 dengan waktu komputasi yang lebih cepat sebesar 0.654 hours. Kesimpulan: Pemilihan varian model YOLOv8 dan parameter yang tepat signifikan meningkatkan efisiensi dan akurasi deteksi cacat las.
Unduhan
Referensi
Adhitya, R. yudha, Al Amin, M. K., Munir, M. M., Wahyudi, M. T., Anggara, D., Septian, E. C., Septian, E. C., Yaqin, M. A., Safrudin, M. I., Annisa, A. R., & Ahmad Putra, Z. M. (2023). Rancang Bangun Aplikasi Intelligent Visual Scanner berbasis CNN untuk identifikasi cacat pada hasil pengelasan. Journal of Computer, Electronic, and Telecommunication, 4(2), 1–11. https://doi.org/10.52435/complete.v4i2.393
Arif Rochman Fachrudin, Fina Andika Frida Astuti, Mira Esculenta Martawati, & Ahmad Hanif. (2021). Pelatihan Pengelasan Smaw Bagi Karang Taruna Kelurahan Temas Kecamatan Batu Kota Batu. Jurnal Abdimas Bina Bangsa, 2(1), 14–19. https://doi.org/10.46306/jabb.v2i1.56
Fitrah, M. A., & Utami, H. H. (2023). Detection Of Slag Inclusions and Degree of Roughness In Welded Joints By Application Approach. Jurnal Sains Dan Teknik Terapan, 1(1), 91–98.
Khatammi, A., & Wasiur, A. R. (2022). Analisis Kecacatan Produk Pada Hasil Pengelasan Dengan Menggunakan Metode FMEA (Failure Mode Effect Analysis). Jurnal Serambi Engineering, 7(2), 2922–2928. https://doi.org/10.32672/jse.v7i2.3853
Khumaidi, A., & Pradana, R. L. (2022). Identifikasi Penyebab Cacat Pada Hasil Pengelasan Dengan Image Processing Menggunakan Metode Yolo. Jurnal Teknik Elektro Dan Komputer TRIAC, 9(3), 107–112. https://doi.org/10.21107/triac.v9i3.15997
Park, J. K., An, W. H., & Kang, D. J. (2019). Convolutional Neural Network Based Surface Inspection System for Non-patterned Welding Defects. International Journal of Precision Engineering and Manufacturing, 20(3), 363–374. https://doi.org/10.1007/s12541-019-00074-4
