Sistem Inspeksi Kecacatan Gelas Plastik Secara Visual Menggunakan
Neural Network
Nur Khamdi
Program Studi Teknik Mekatronika, Politeknik Caltex Riau [email protected]; [email protected]
Abstrak
Sistem inspeksi visual pada industri banyak dilakukan secara manual oleh manusia. Sistem ini mempunyai berbagai kelemahan yang disebabkan oleh banyak faktor, seperti kelelahan operator, ketiadaan motivasi, pengalaman, kemahiran dan lain-lain. Untuk mengatasi masalah ini, maka sistem inspeksi visual di industri telah digantikan secara efektif oleh sistem otomatis. Pada penelitian ini dirancang sistem inspeksi kecacatan gelas plastik dengan pengukuran derajat circularity. Image dari kamera diolah dengan menggunakan threshold masing–masing warna. Cropping dilakukan dengan tujuan mengambil gambar gelas plastik warna hijau, kemudian dilanjutkan pada pengolahan dengan metode neural network backpropagation untuk menentukan level kecacatan gelas plastik. Sebagai bahan perbandingan dilakukan pengukuran derajat circularity dari tampak atas image gelas plastik. Hasil dari kamera diolah dengan menggunakan image processing secara thresholding untuk menghasilkan image hitam putih. Image ini akan diolah dengan menggunakan metode identifikasi bentuk lingkaran. Metode dengan neural network mempunyai error dalam inspeksi gelas plastik warna hijau sebesar 16,67% dengan nilai prosentase yang tidak konsisten dan nilai standar deviasi 9,8535.
Kata kunci: Threshold, Cropping, Neural Network, Circularity. Abstract
Visual inspection system in the industry is mostly done manually by humans. These systems have various weakness caused by many factors, such as operator fatigue, lack of motivation, experience, proficiency and others. To overcome this problem, then a visual inspection systems in industry has been effectively replaced by an automated system. In this study of plastic cups defect inspection system designed with measuring the degree of circularity. Image from the camera is processed by using the threshold of each color. Cropping done with the goal of taking a picture of green plastic cup, then continued on treatment with backpropagation neural network method to determine the level of plastic cups defect. As a comparison, it is measurements of the degree of circularity top view image of plastic cups. The results of the camera is processed by image processing using a thresholding to produce black and white image. This image will be processed using the method of identification of a circle. With neural network method has an error in the inspection of green plastic cups by 16.67% with a percentage value that is not consistent and the standard deviation of 9.8535.
Keywords: Threshold, Cropping, Neural Network, Circularity. 1 Pendahuluan
Pekerjaan yang berulang – ulang atau monoton dan berjumlah banyak membuat tingkat kejenuhan yang tinggi bagi manusia. Sebagai contoh pengecekan kecacatan gelas plastik yang dipantau secara monoton dengan jumlah banyak di sebuah pabrik pembuatan gelas plastik.
Sebuah kamera digunakan sebagai pengganti mata manusia, hasil dari rekaman kamera diolah melalui pengolahan image yang sedang berkembang pesat saat ini. Proses ini dapat menggantikan posisi manusia sebagai pekerjanya.
Dalam pengecekan kecacatan ini dapat dilakukan dengan metode neural network. Metode neural network ini terbagi menjadi dua bagian yaitu proses pembelajaran dan pengujian.
2 Metode Penelitian
Sistem penelitian ini menggunakan dua buah metode yaitu metode menggunakan neural network dan pengukuran derajat circularity. Kedua metode ini menggunakan kamera yang terpasang di atas dan depan obyek untuk metode neural network dan sebuah kamera yang terpasang di atas obyek. Untuk jelasnya dapat terlihat pada Gambar 1.
Gambar 1 Sistem penelitian.
Dan untuk blok diagram masing – masing metode dapat terlihat pada Gambar 2 dan Gambar 3.
Gambar 2 Blok diagram metode neural network.
Pada Gambar 2 image processing digunakan untuk melakukan cropping gelas plastik. Dan neural network digunakan untuk menentukan kecacatan dari gambar gelas plastik. Proses ini berlangsung secara real time menggunakan 2 kamera yang terpasang secara fix dari arah depan dan atas, dengan kondisi gelas plastik berjalan di konveyor.
Untuk memperjelas proses penelitian ini dapat dilihat pada flowchart yang terlihat pada Gambar 3.
Gambar 3 Flowchart penelitian.
Neural network merupakan metode untuk menentukan kecacatan pada penelitian ini. Jenis neural network yang digunakan dalam penelitian ini adalah backpropagation neural network. Dalam proses neural network ini terbagai menjadi 2 (dua) proses yaitu proses pembelajaran (training) dan proses penentuan hasil kecacatan. Dan untuk arsitektur neural network pada pada penelitian ini dapat dilihat pada Gambar 4 dengan jumlah input 555 dan 1 output.
Proses training pada neural network merupakan proses yang jelas dijalankan sebelum melakukan penentuan. Pada penelitian ini proses training menggunakan software yang ada, dengan tujuan untuk mempercepat hasil trainingnya. Dari hasil training akan memperoleh nilai bobot (weight) dan bias pada masing – masing neoron. Adapun sebelum melakukan training ada beberapa hal yang dilakukan yaitu:
1. Menentukan data yang akan ditraining, dalam penelitian ini berupa image gelas plastik. 2. Menentukan nilai target untuk masing – masing jenis gelas plastik.
3. Menentukan jumlah neuron pada hidden layer
4. Menentukan jenis transfer function untuk masing – masing hidden layer 5. Menentukan jenis training
Pada proses pengujian neural network akan bekerja untuk menentukan kecacatan gelas plastik. Nilai bobot dan bias pada neural network ini menggunakan nilai hasil dari training dengan cara memanggil file yang telah tersimpan.
Gambar 4 Arsitektur neural network penelitian. 3 Analisa Data
Dalam pengambilan data image gelas plastik, melalui 2 buah kamera yang terpasang di depan dan di atas gelas plastik. Jarak kamera depan dengan obyek adalah 25 cm, sedangkan untuk kamera atas berjarak 15 cm. Untuk peletakan 2 buah kamera dan sistem kerja inspeksi kecacatan gelas plastik dapat di lihat pada Gambar 5.
Gambar 5 Sistem kerja inspeksi gelas plastik.
Untuk menentukan jaringan yang akan digunakan dalam neural network akan dipilih berdasarkan nilai mse kecil dan waktu yang kecil pula. Hal ini dilakukan untuk mempercepat proses neural network. Berdasarkan Tabel 1 dapat terlihat bahwa nilai mean square error (mse)
untuk tiga terkecil adalah 0,0008 ; 0,0009 dan 0,0011. Selain memperhatikan nilai mse juga waktu proses. Dalam penelitian ini diambil adalah nilai mse 0,0011 dengan waktu 00:45 detik.
Tabel 1 Training neural network.
No HL Neuron Fungsi Aktivasi MSE Waktu (s)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 3 3 4 4 10 – 1 10 – 1 40 – 1 100 – 1 100 – 1 10 – 10 – 1 40 – 10 – 1 40 – 40 – 1 100 – 40 – 1 40 – 100 – 1 100 – 100 – 1 100 – 200 – 1 200 – 100 – 1 200 – 200 – 1 200 – 300 – 1 300 – 200 – 1 100–100–100–1 100–100–100–1 100–100–100–100–1 100–100–100–100–1 Ak1 –Ak1 Ak1 – Ak2 Ak1 – Ak1 Ak1 – Ak1 Ak1 – Ak2 Ak1 – Ak1 – Ak1 Ak1 – Ak1 – Ak1 Ak1 – Ak1 – Ak1 Ak1 – Ak1 – Ak1 Ak1 – Ak1 – Ak1 Ak1 – Ak1 – Ak1 Ak1 – Ak1 – Ak1 Ak1 – Ak1 – Ak1 Ak1 – Ak1 – Ak1 Ak1 – Ak1 – Ak1 Ak1 – Ak1 – Ak1 Ak1 – Ak1 – Ak1– Ak1 Ak1 – Ak1 – Ak1– Ak1 Ak1–Ak1–Ak1–Ak1–Ak1 Ak1 –Ak1–Ak1–Ak1–Ak1 0,0377 0,0243 0,0115 0,0140 0,0529 0,0309 0,0256 0,0146 0,0164 0,0104 0,0267 0,0011 0,0021 0,0015 0,0013 0,0012 0,0010 0,0011 0,0009 0,0008 00:06 00:07 00:08 00:07 00:12 00:13 00:16 00:23 00:32 00:30 00:40 00:45 00:48 00:49 00:50 00:59 03:15 03:48 12:26 13:20 Ket: Ak1 : logsig Ak2 : purelin
Setelah mengetahui jaringan untuk penelitian menggunakan metode neural network ini maka dilakukan pengujian secara online yang menggunakan 2 buah kamera sebagai pengambil image pada obyek. Dalam proses pengambilan data ini dapat dilihat pada flowchart pada Gambar 6.
Pada uji sistem ini, obyek berupa gelas plastik warna hijau yang telah ditentukan menjadi 3 bagian kecacatan gelas yaitu:
1. Gelas kw1 mempunyai kesempurnaan 85% - 100% 2. Gelas kw2 mempunyai kesempurnaan 45% - 84% 3. Gelas kw3 mempunyai kesempurnaan 0% - 44%
Dalam uji sistem ini, gelas diletakkan diatas konveyor kemudian dijalankan program start dan hasil setelah gelas melewati sensor maka akan muncul hasil inspeksi gelas, seperti pada Gambar 7.
Dengan melakukan yang sama untuk gelas 1 sebanyak 20 kali didapat data hasil inspeksi gelas 1, seperti pada Tabel 2 dan contoh tampilan hasil percobaan ini ditunjukkan pada Gambar 8.
Gambar 6 Flowchart sistem kerja.
Tabel 2 Hasil inspeksi gelas 1.
No Jenis Gelas Waktu (detik) Nilai Ket
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW2 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 Gelas KW1 02,26 02,32 02,02 02,36 02,34 02,31 02,41 02,26 02,47 02,10 02,15 02,23 02,32 02,22 02,20 02,31 02,36 02,40 02,32 02,20 98 95 100 80 87 90 98 95 90 98 97 96 89 88 98 93 94 92 90 90 Sesuai Sesuai Sesuai Tidak Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai
Berdasarkan data pada Tabel 2 maka diperoleh error untuk inspeksi gelas 1 sebesar:
Jadi kesimpulan inspeksi gelas 1 yang telah dilakukan dengan sebanyak 20 percobaan mempunyai tingkat error sebesar 5%.
Untuk menentukan nilai kestabilan menggunakan persamaan standart deviasi yang dinyatakan dalam Persamaan 1.
(1)
Dengan i = indeks data n = jumlah data = nilai rata – rata x = data
Berdasarkan Persamaan 1 dan nilai pada Tabel 2 memperoleh nilai standart deviasi sebesar 4,951
Dengan menggunakan cara yang sama untuk gelas 2 dan gelas 3 maka dapat diperoleh data seperti pada Tabel 3 dan Tabel 4.
Dari Tabel 3 ada 4 data yang tidak sesuai, maka berdasarkan data Tabel 3 diperoleh error sebagai berikut :
Kesimpulan pada uji inspeksi gelas 2, bahwa sistem inspeksi kecacatan gelas 2 terdapat error sebesar 25%.
Dan untuk menentukan standart deviasi menggunakan Persamaan 1, maka dari itu berdasarkan Tabel 3 di peroleh nilai standart deviasi inspeksi gelas 2 sebesar 13,4567.
Tabel 3 Hasil inspeksi gelas 2.
No Jenis Gelas Waktu (detik) Nilai Ket
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Gelas KW2 Gelas KW1 Gelas KW2 Gelas KW3 Gelas KW1 Gelas KW3 Gelas KW2 Gelas KW2 Gelas KW2 Gelas KW2 Gelas KW2 Gelas KW2 Gelas KW2 Gelas KW2 Gelas KW1 Gelas KW2 Gelas KW2 Gelas KW2 Gelas KW2 Gelas KW2 02,41 02,59 02,64 02,56 02,49 02,38 02,45 02,27 02,30 02,35 02,32 02,29 02,19 02,28 02,33 02,30 02,29 02,25 02,31 02,26 60 90 58 40 88 38 58 62 60 70 55 60 61 63 87 70 65 60 55 57 Sesuai Tidak Sesuai Sesuai Tidak Sesuai Tidak Sesuai Tidak Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Tidak Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai
Tabel 4 Hasil inspeksi gelas 3.
No Jenis Gelas Waktu (detik) Nilai Ket
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Gelas KW3 Gelas KW3 Gelas KW3 Gelas KW2 Gelas KW3 Gelas KW3 Gelas KW2 Gelas KW2 Gelas KW3 Gelas KW3 Gelas KW2 Gelas KW3 Gelas KW3 Gelas KW3 Gelas KW3 Gelas KW3 Gelas KW3 Gelas KW3 Gelas KW3 Gelas KW3 02,32 02,36 02,31 02,25 02,30 02,29 02,25 02,32 02,27 02,31 02,31 02,26 02,33 02,23 02,31 02,26 02,28 02,26 02,31 02,30 30 25 20 60 34 35 58 48 22 33 49 34 30 23 28 29 35 33 30 28 Sesuai Sesuai Sesuai Tidak Sesuai Sesuai Sesuai Tidak Sesuai Tidak Sesuai Sesuai Sesuai Tidak Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai Sesuai
Dengan menggunakan Tabel 4 maka hasil inspeksi gelas 3 dapat diketahui error sistem inspeksi gelas yaitu
Kesimpulan hasil inspeksi gelas 3 terdapat error sebesar 20%.
Dan nilai standart deviasi sistem inspeksi pada gelas 3 berdasarkan Persamaan 1 dan Tabel 4 adalah 11,1525.
Berdasarkan analisa berdasarkan Tabel 2, Tabel 3 dan Tabel 4 maka di peroleh sebagai berikut :
1. = 16,67 %
2. = 02,31 detik
3. = 9,8535
Sehingga dapat disimpulkan bahwa inspeksi gelas plastik warna hijau mempunyai error berkisar 5 % - 25 % dengan rata – rata erorr sebesar 16,67% dan waktu yang diperlukan untuk melakukan inspeksi kecacatan gelas plastik dalam satu proses sebesar 02,31 detik.
4 Kesimpulan
Setelah melakukan proses analisa pada sistem inspeksi gelas plastik warna hijau menggunakan metode neural network dapat diambil beberapa kesimpulan sebagai berikut: 1. Dalam melakukan proses inspeksi menggunakan neural network membutuhkan waktu
sebesar 02,31 detik.
2. Sistem inspeksi menggunakan neural network memiliki error sebesar 16,67 % dalam 60 data percobaan dengan nilai standart deviasi 9,8535.
Daftar Pustaka
[1] Muhandri, Tj., 2004, Penerapan TQM di Industri Pangan, Jurnal Teknologi dan Industri Pangan, Vol. XV No.1, IPB Bogor
[2] Kurniawan, D., Sulaiman, R., Prabuwono, A.S. dan Away, Y., 2006, Integrasi Sistem Inspeksi Visual dengan Sistem Kendali Otomatis Berbasis Programmable Logic Controller (PLC), Proceeding of the 7th Seminar on Intelligent Technology and Its Applications (SITIA 2006), pp. II-J-28-II-J-32
[3] Prabuwono, A.S. dan Away, Y., Kurniawan, D., Sulaiman, R., 2007, Perancangan Sistem Inspeksi Visual dengan Sistem Kendali Otomatis Berbasis Programmable Logic Controller (PLC) pada Modular Automation Production System (MPS), jurnal Teknik Gelagar vol 18, no 01, April, hal 11 - 18
[4] Meng, C.K., Away, Y., Elias, N.F. and Prabuwono, A.S., 2004, The Real Time Visual Inspection System for Bottling Machine, Proceeding of the 2nd Conference on Computer Graphics and Multimedia (CoGRAMM’04), pp. 414-417.
[5] Talabo,L., Juhana, N., Sistem Pengenalan Onyek Real-Time Dengan Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation, Majalah Ilmiah Unikom. Vol. 5, hal 3 – 14.
[6] Wiryadinata,R., Ana Ratnawati,D., 2005, Simulasi Jaringan Syaraf Tiruan Berbasis Metode Backpropagation Sebagai Pengendali Kecepatan Motor DC, Seminar Nasional Aplikasi Teknologi Informasi (SNATI 2005), ISBN 979-756-061-6, Yogyakarta
[7] Nurhasanah, A., Seroso, Ahmad, U., 2009, Pengembangan Algoritma Pengolahan Citra dan Jaringan Syaraf Tiruan untuk Menentukan Tingkat Kematangan Manggis, Jurnal Hasil Penelitian Pertanian Indonesia, Vol. 26 no.1, ISSN: 0216-3713, Bogor
[8] Abdul Fadlil, Ikhsan Hidayat, Sunardin, 2008 ,”System Pengenalan Wajah Secara Real Time Menggunakan Jaringan Syarat Tiruan”, Seminar Nasional Aplikasi Teknologi Informasi (SNATI Juni 2008), Yogyakarta
