ABSTRAK Shergio Rizkyputra
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
COVER Shergio Rizkyputra
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB1 Shergio Rizkyputra
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB2 Shergio Rizkyputra
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB3 Shergio Rizkyputra
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB4 Shergio Rizkyputra
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB5 Shergio Rizkyputra
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB6 Shergio Rizkyputra
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
PUSTAKA Shergio Rizkyputra
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
PT X adalah perusahaan manufaktur mobil dengan 5 pabrik produksi di Indonesia.
PT X memproduksi 9 model mobil dan beberapa komponennya untuk memenuhi
permintaan pasar domestik dan pasar internasional. Salah satu tahap pengendalian
kualitas di PT X adalah identifikasi ukuran celah antarpanel pintu samping yang
dikategorikan cacat sebagai inspeksi akhir. Kini, inspeksi akhir dilakukan secara
visual oleh 4 operator manusia. Penambahan operator manusia juga diharapkan
mengurangi waktu inspeksi body-fitting dari 96 detik menjadi 86 detik.
Seiring dengan peningkatan laju produksi, kondisi ini berisiko dalam aspek akurasi,
kecepatan inspeksi, dan beban kerja operator. Operator harus menjaga kualitas
inspeksinya walaupun mempercepat proses inspeksi. Peneliti mengombinasikan
model deteksi berbasis jaringan saraf tiruan untuk otomasi proses inspeksi celah
panel pintu samping mobil di PT X. Penelitian ini mengembangkan metode otomasi
inspeksi body-fitting menggunakan dua model Convolutional Neural Network
(CNN), yaitu Canny Edge Detection (CED) dan You Only Look Once (YOLOv7).
Model CED dan YOLOv7 menggunakan modul pemrosesan citra digital untuk
pendeteksian kontur objek. Masing-masing model dilatih dengan menggunakan
cacat tiruan sebagai data pelatihan dan cacat nyata sebagai data pengujian. Model
CED terbaik untuk mendeteksi ukuran celah pada panel berwarna putih, merah, dan
hitam dengan skor rata-rata precision-recall untuk tiap nilai threshold secara
berturut-turut adalah 34,97%, 33,68%, dan 26,69%. Skor tersebut diperoleh melalui
transformasi fotometrik berupa tingkat kecerahan sebesar 40% dan tingkat
kekontrasan sebesar -40% untuk tiap sampel.