Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Kekasaran suatu produk merupakan salah satu standar keakuratan dan kualitas permukaan produk yang dihasilkan dari suatu proses permesinan. Nilai kekasaran ini sangat bervariatif, dilihat dari proses permesinan dan parameternya. Semakin halus permukaannya, semakin tinggi kualitas permukaan yang dihasilkan. Metode pengukuran kekasaraan dapat dilakukan dengan metode kontak dan metode nonkontak, salah satunya metode pengenalan citra, yaitu identifikasi citra dan pengolahannya. Hal ini disebut dengan sistem metode machine vision. Cakupan penelitian ini meliputi pembuatan sistem pengukuran machine vision dengan menggunakan kamera pocket digital pembesaran 4x, mikroskop pembesaran 20x, pencahayaan (lighting) dan benda kerja CNC bubut 36x50 mm. Selanjutya pemrosesan image/citra dengan perangkat lunak, yaitu identifikasi profil permukaan pelat kalibrator sebagai dasar pengukuran dan pengukuran terhadap benda ujinya. Pengukuran dilakukan dari puncak profil hingga lembah profil, sehingga memberikan kedalaman permukaan ukur. Dengan pengukuran machine vision pengenalan citra ini lebih mendekati nilai analitis, artinya tingkat kepresisian yang dihasilkan lebih mendekati nilai Ra natural, dengan rata-rata persentase penyimpangan yang dihasilkan 6.00%. ......Roughness of a product is one of the standards of accuracy and surface quality of products resulted from a machining process. The roughness value has variance depends on the machining process used. The finer the surface, the higher the surface quality produced. The roughness measurement method can be performed by contacts and non-contact method. One of non-contact method is image recognition, that is identification and image processing. This is called the machine vision method. This research includes of making the measurement system of machine vision consists of a pocket digital camera in scale of zoom 4 times, and microscope in scale of zoom 20 times, lighting, and CNC turning of workpiece with dimension 36x50mm. And then development software for image processing, and measuring surface roughness of workpieces. Roughness average is measured from peaks and valleys of surface profile, hence yields depth of average from surface roughness. By machine vision method for measuring depth of average from surface roughness, it is shown that the result more acurate from the contact method with percentage of deviation is 6.00%.

Abstrak :
ABSTRAK
Untuk dapat terus mengejar kemajuan dalam bidang robotika terutama dalam bidang microrobot dimensi robot terus diminimalisir. Peminimalisiran ini membuat terjadi beberapa halangan-halangan dalam hal komponen. Dengan menggantikan sensor yang ada dirobot menjadi sensor vision terpusat kita dapat menghiangkan banyak sekali ruang yang tadinya dipakai. Penelitian ini melakukan pengembangan sistem visual servoing untuk mobil microrobot. Sistem ini menggunakan multi object tracking dan hough transform untuk mengetahui posisi robot. Pengujian dari sistem yang dibuat mendapatkan bahwa sistem dapat mengendalikan banyak robot sekaligus. Dan dapat menggerakan robot dengan tingkat akurasi 5-6 pixel dari target yang diinginkan.

---

ABSTRACT
To achieve grater advancements in the fields of robotics especialy in microrobotics field the dimensions of robots are minimalize. With this isue there are several hurdles in which component can be minimize. By changing several sensors in the robot with a centralized vision sensor we can eliminate large spaces that are usualy ocuppied. A study and design of a visual servoing for microrobots have been developed. This system uses multy object tracking and hough transform to know the position of the robot. A test of the developed system conclude that it can control several robots at once. And can control robots with an accuracy of 5 6 pixels from the desired target.

Abstrak :
Setiap tahun, ada sekitar 7.8 juta ton sampah plastik yang tidak dikelola di Indonesia. Metode yang banyak digunakan dalam pengolahan sampah tersebut adalah reduce, recycling, dan reusing. Dari ketiga metode tersebut, recycling menjadi solusi terbaik dalam penanganan sampah plastik karena kapasitas pengelolaan yang besar. Botol plastik menjadi jenis plastik yang paling banyak di recycling karena tingkat kemurnian material plastiknya tinggi. Namun, masalah terbesar dalam recycling sampah botol plastik adalah klasifikasi sampah plastik berdasarkan material penyusunya. Proses recycling saat ini sudah dimudahkan karena memanfaatkan machine learning. Machine learning dapat melakukan suatu pekerjaan tanpa harus diberi perintah berulang sehingga dapat dimanfaatkan untuk melakukan klasifikasi sampah botol plastik. Salah satu metode dalam Machine learning yang digunakan adalah Convolutional Neural Network karena dapat mengklasifikasikan sampah botol plastik PET, HDPE, LDPE, dan PP. Diperoleh akurasi testing PET terbaca sepuluh kali dari sepuluh percobaan sedangkan HDEP, LDPE, dan PP terbaca sembilan kali dari sepuluh percobaan. Selain itu, metode tersebut juga mampu mengklasifikasi sampah botol plastik dengan beberapa kondisi yaitu botol yang menggunakan tutup, kotor, serta remuk. Diperoleh akurasi testing untuk ketiga kondisi terbaca sepuluh kali dari sepuluh percobaan. ......There are around 7.8 million tons of unmanaged plastic waste in Indonesia each year. Solving the problem there are three method that are widely used in processing the waste namely reduce, recycle, and reuse. From those methods, Recycling is the best solution in handling plastic waste because of its large management capacity. Plastic bottles are the type of plastic that is most widely recycled because of the high level of purity of the plastic material. However, the biggest problem in recycling plastic bottle waste is the classification of plastic waste based on its materials. The recycling process is now much easier because it utilizes machine learning. Machine learning can do a job without having to be given repeated orders so that it can be used to classify plastic bottle waste. One of the machine learning methods used is convolutional neural network because it can classify PET, HDPE, LDPE, and PP plastic bottles. PET testing accuracy was read ten times from ten times testing while HDPE, LDPE, and PP read nine times from ten times testing. In addition, this method is also able to classify plastic bottle waste under several conditions, namely using a lid, dirty, and crumbling. Obtained testing accuracy for all three condition read ten times from ten time testing.

Abstrak :
ABSTRAK
Pertumbuhan nilai produksi industri pipa dan sambungan (pengelasan) pipa dari Baja dan Besi pada tahun 2008 mengalami kenaikan pada tiap triwulannya hingga di akhir tahun mencapai Rp 1.113.795.291,00. Demikian juga pada tahun 2009 mengalami kenaikan tiap triwulannya. Pengelasan adalah proses fabrikasi atau pembentukan yang menyatukan material logam atau termoplastik. Inspeksi defect merupakan hal yang sangat vital dalam proses pengelasan. Manusia harus berusaha keras dan memang sulit untuk melakukan tugas ini. Hal ini terjadi karena visual manusia hanya mampu menangkap 60% s.d. 75% dari ketelitian defect yang ada. Penelitian ini mengembangkan suatu peralatan otomatis berbasis Machine Vision yang dapat membantu dalam proses pengelasan GMAW. Material pipa baja lunak JIS S45C, proses las GMAW arus DC dengan kecepatan kawat pengisi konstan, teknologi Machine Vision menggunakan kamera Charge Couple Device (CCD) memonitor perubahan tebal manik menjadi Input-nya, besarnya kecepatan robot bergerak secara orbital sebagai Output-nya. Metode jaringan saraf tiruan digunakan dalam proses kontrol kecepatan tersebut. Hasil dari pengamatan dan pengujian adalah modifikasi perangkat dengan gear rasio 1 : 2 berhasil meredam suara hentakan gear dan rel jalur las yang terjadi pada penelitian sebelumnya. Selama pengujian kecepatan yang terjadi lebih stabil. Lebar manik las yang diukur secara aktual dan pencitraan memiliki nilai rata-rata error -0.30 mm. Optimasi lebar dengan modeling jaringan saraf tiruan mencapai rata-rata error 0.005 mm. Hasil simulasi pengelasan dengan jaringan saraf tiruan didapatkan nilai rata-rata errornya mencapai 0.45 mm dari target lebar 4.5 mm.

---

ABSTRACT
Growth in industrial production value and a welding pipe of Steel and Iron in 2008, an increase in each quarterly until the end of the year reached Rp 1,113,795,291.00 and in 2009 too. Welding is a fabrication process or the formation of a metal or thermoplastic material together. Defect inspection is very vital in the process of welding. Humans have to work hard and are difficult to perform this task. This happens because the human visual only able to capture 60% to 75% of the accuracy of existing defects. This study developed a Machine Vision-based automated equipment that can assist GMAW welding process. Mild steel pipe material JIS S45C, DC current GMAW welding process with filler wire speed constant, Machine Vision technologi using the camera Charge Couple Device (CCD) to monitor changes to a thick bead of his input, the magnitude of the orbital speed of the robot moves as its output. Artificial neural network methods used in the speed control process. The results of observation and testing is a modification of the device with a gear ratio of 1: 2 managed to reduce the sound buffeting that occurred in previous studies. During the testing the speed was more stable. Weld bead width is measured using actual width and using image processing that had an average error -0.30 mm. Width optimization using artificial neural network modeling to achieve an average error 0.005 mm. Welding simulation with neural network modeling and controller achieves an average error of 0.45 mm.

Abstrak :
Pada era digital ini kebutuhan manusia dalam teknologi semakin berkembang pesat. Teknologi selalu dituntut untuk berkembang untuk memudahkan manusia dalam memenuhi segala aktivitas dan kebutuhannya. Teknologi proses manufaktur adalah salah satunya. Proses manufaktur yang paling banyak digunakan dalam industri saat ini adalah pengelasan. Salah satu contoh teknologi yang berkembang adalah pengelasan otomatis TIG (Tungsten Inert Gas). Pada penelitian ini, dilakukan pengelasan aluminium paduan AA1100 dengan menggunakan pengelasan Tungsten Inert Gas (TIG) otomatis untuk mendapatkan data training neural network sebagai bahan pengklasifikasian hasil pengelasan. Dimensi spesimen yang digunakan dalam penelitian ini yaitu panjang 14 cm, lebar 7 cm serta ketebalan 3,8 mm. Penelitian ini bertujuan untuk membuat sistem pengklasifikasian hasil las yang baik dan buruk (ada cacat) menggunakan machine vision dan neural network sebagai tahap awal dalam penerapan CNN dalam automatic TIG welding serta untuk mengetahui akurasi, presisi dan loss dari sistem vision tersebut dari pre-trained model ResNet-50 dan YOLOv5n. Penelitian ini dimulai dengan mempelajari segala sesuatu tentang metode pengelasan TIG, mempelajari pengaruh-pengaruh apa saja yang dapat menyebabkan pengelasan gagal serta mempelajari metode machine learning untuk mengklasifikasikan hasil pengelasan yang baik maupun hasil pengelasan yang gagal pada material Aluminium AA1100. Selanjutnya dilakukan pengelasan untuk mengambil data acuan sebagai bahan dasar klasifikasi hasil pengelasan, lalu dataset tersebut dilakukan labelling dan di training menggunakan pre-trained model ResNet-50 dan YOLOv5n. Dua model yang terbuat dari hasil training tersebut kemudian di uji coba menggunakan 70 data test. Hasil dari tes tersebut yaitu: Pada tes dengan model YOLOv5s (epoch 50, batch 16 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 88,57% dengan nilai item yang benar 45/50 dan 17/20. Model ini juga menghasilkan loss sebesar 11,42% dan precision sebesar 90%. Pada tes dengan model YOLOv5s dengan hyperparameter (epoch 100, batch 32 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 97,14% dengan nilai item yang benar 49/50 dan 19/20, model ini juga menghasilkan loss sebesar 2,8% dan nilai precision sebesar 98%. Pada tes dengan model yang menggunakan architecture ResNet-50 dengan (epoch 50, batch 16 dan learning rate 0.001) menghasilkan nilai benar 43/50 dan 16/20 dengan nilai accuracy sebesar 84,28%, nilai loss 15,7% dan precision 86%. Untuk model ResNet-50 dengan hyperparameter (epoch 100, batch 32 dan learning rate 0.001) menghasilkan nilai akurasi sebesar 94,28% dengan nilai item yang benar 47/50 dan 19/20, model ini juga menghasilkan loss sebesar 5,71% dan nilai precision sebesar 94%. ......In this digital era, human needs in technology are growing rapidly. Technology is always required to develop to make it easier for humans to fulfill all their activities and needs. Manufacturing process technology is one of them. The most widely used manufacturing process in industry today is welding. One example of a developing technology is TIG (Tungsten Inert Gas) automatic welding. In this study, welding of aluminum alloy AA1100 was carried out using automatic Tungsten Inert Gas (TIG) welding to obtain neural network training data as a material for classifying welding results. The dimensions of the specimens used in this study were 14 cm long, 7 cm wide and 3.8 mm thick. Welding is carried out with a fixed current, namely 120A and using filler ER5356. This study aims to create a classification system for good and bad (defective) welds using machine vision and neural networks as an initial step in applying CNN in automatic TIG welding and to determine the accuracy, precision and loss of the vision system from pre-trained models ResNet-50 and YOLOv5n. This research began by learning everything about the TIG welding method, learning what influences can cause welding to fail and studying the machine learning method to classify good welding results and failed welding results on Aluminum AA1100 material. Next, welding is carried out to retrieve reference data as the basis for the classification of welding results, then the dataset is labeled and trained using the pre-trained ResNet-50 and YOLOv5n models. The two models made from the results of the training were then tested using 70 test data. The results of the test are: The test with the YOLOv5s model (epoch 50, batch 16 and learning rate 0.001) produces an accuracy value of 88.57% with correct item values 45/50 and 17/20. This model also produces a loss of 11.42% and a precision of 90%. In tests with the YOLOv5s model with hyperparameters (epoch 100, batch 32 and learning rate 0.001) it produces an accuracy value of 97.14% with correct item values 49/50 and 19/20, this model also produces a loss of 2.8% and precision value of 98%. In the test with a model that uses architecture ResNet-50 with (epoch 50, batch 16 and learning rate 0.001) it produces a correct score of 43/50 and 16/20 with an accuracy value of 84.28%, a loss value of 15.7% and a precision of 86 %. For the ResNet-50 model with hyperparameters (epoch 100, batch 32 and learning rate 0.001) it produces an accuracy value of 94.28% with correct item values 47/50 and 19/20, this model also produces a loss of 5.71% and precision value of 94%.

Abstrak :
ABSTRAK
Pengelasan merupakan proses penyambungan dua bahan atau lebih yang didasarkan pada prinsip-prinsip proses difusi, sehingga terjadi penyatuan pada bagian bahan yang disambung. Kekuatan sambungan las ditentukan dari beberapa parameter, diantaranya adalah lebar manik las dan penetrasi. Lebar manik las terutama bagian atas dapat ditentukan dengan melihat secara langsung melalui kamera CCD (Charge-Coupled Device). Akan tetapi sulit untuk mengamati lebar hasil lasan bagian bawah secara langsung karena pada praktiknya tidak memungkinkan untuk memasang kamera CCD di bagian bawah. Oleh karena itu, pada penelitian ini digunakan Las TIG (Tungsten Inert Gas) arus DC dengan proses pergerakan yang kecepatannya diatur oleh mikrokontroler dengan tujuan untuk mengatur lebar hasil lasan bagian bawah yang diinginkan dimana hasil lasan bagian bawah tersebut diestimasi berdasarkan data lebar manik las yang didapat dari machine vision, kecepatan pengelasan, dan arus yang digunakan. Untuk memperoleh serangkaian data-data tersebut maka dilakukan percobaan awal untuk melatih sistem neural network yang akan dibangun. Sistem yang dibangun pada studi ini berhasil mengatur lebar hasil lasan bagian bawah sesuai dengan nilai target yang diinginkan yaitu 3 mm pada arus 55 A, 60 A, dan 65 A dengan rata-rata error masing-masing arus sebesar 0.11 mm, 0.09 mm, dan 0.12 mm.

---

ABSTRACT
Welding is a process of joining two or more substances that are based on the principles of diffusion processes, resulting in unification on the materials to be joined. The strength of the weld joint is determined by several parameters, including the weld bead width and the penetration. The width of the weld bead especially the upper part can be determined by looking directly through the CCD (Charge-Coupled Device) camera. But it is difficult to observe the back bead width directly since in practice it is not possible to install the CCD camera at the bottom. Therefore, in this study used Las TIG (Tungsten Inert Gas) DC current with the movement speed is regulated by the microcontroller for the purpose of adjusting the desirable back bead width where the back bead width is estimated based on data of weld bead width obtained from machine vision, welding speed, and current used. To obtain a series of data are then conducted initial experiments to train the neural network system to be built. The system was built in the study managed to set the back bead width with the value of the desired target is 3 mm on the current 55 A, 60 A, and 65 A with an average error of each current of 0.11 mm, 0:09 mm, and 0:12 mm.

Abstrak :
Penelitian ini bertujuan untuk mengembangkan sistem penyortir serpihan sampah plastik berdasarkan warna menggunakan metode machine vision dan modifikasi 3D printer tipe FDM sebagai arm robot serta vacuum suction gripper sebagai alat penanganan objek. Sistem ini dirancang untuk mendeteksi dan menyortir serpihan plastik berwarna putih dari conveyor. Algoritma machine vision color object detection yang diterapkan menggunakan nilai HSV untuk mendeteksi warna objek. Hasil pengujian menunjukkan bahwa algoritma ini mampu mendeteksi objek berwarna putih dengan tingkat keberhasilan yang tinggi. Namun, dua warna tambahan, yaitu abu-abu muda dan merah muda, juga terdeteksi karena tumpang tindih nilai HSV. Pengujian selanjutnya menunjukkan bahwa kekerasan (hardness) objek memiliki pengaruh signifikan terhadap performa vacuum suction gripper. Objek dengan nilai hardness yang lebih tinggi menunjukkan tingkat keberhasilan yang lebih tinggi dalam penanganan oleh gripper. Uji flatness menunjukkan bahwa permukaan objek yang lebih rata tidak memiliki pengaruh signifikan terhadap keberhasilan gripper dalam mengambil objek. Selain itu, perhitungan kapasitas alat menunjukkan bahwa sistem mampu menyelesaikan 171 siklus per jam dengan kapasitas total sebesar 342 gram per jam atau 0,342 kilogram per jam. Kesimpulannya, sistem penyortir yang dikembangkan ini efektif dalam mendeteksi dan menyortir objek plastik berwarna putih, dengan beberapa penyesuaian yang diperlukan untuk meningkatkan akurasi deteksi warna dan performa gripper. Penelitian ini memberikan kontribusi signifikan dalam pengembangan teknologi penyortiran sampah plastik berbasis warna, yang dapat digunakan untuk meningkatkan efisiensi dan efektivitas dalam pengelolaan sampah plastik. Saran untuk pengembangan lebih lanjut termasuk optimasi algoritma, peningkatan sistem gripper, dan pengujian dalam skala yang lebih besar. ......This research aims to develop a plastic waste flake sorting system based on color using machine vision and modified FDM-type 3D printer as a robotic arm and vacuum suction gripper as the object handling tool. The system is designed to detect and sort white plastic flakes from the conveyor. The implemented machine vision color object detection algorithm uses HSV values to detect the color of the objects. The test results show that this algorithm can detect white-colored objects with a high success rate. However, two additional colors, light gray and pink, were also detected due to overlapping HSV values. Further testing showed that the hardness of the object significantly affects the performance of the vacuum suction gripper. Objects with higher hardness values showed higher success rates in handling by the gripper. The flatness test indicated that the surface flatness of the objects did not significantly affect the gripper's success in picking up the objects. Additionally, the capacity calculation showed that the system could complete 171 cycles per hour with a total capacity of 342 grams per hour or 0.342 kilograms per hour. In conclusion, the developed sorting system is effective in detecting and sorting white-colored plastic objects, with some adjustments needed to improve color detection accuracy and gripper performance. This research significantly contributes to the development of color-based plastic waste sorting technology, which can be used to enhance the efficiency and effectiveness of plastic waste management. Suggestions for further development include algorithm optimization, system gripper improvement, and large-scale testing.

Abstrak :
This book gathers the proceedings of the 12th International Conference on Measurement and Quality Control-Cyber Physical Issues (IMEKO TC 14 2019), held in Belgrade, Serbia, on 4-7 June 2019. The event marks the latest in a series of high-level conferences that bring together experts from academia and industry to exchange knowledge, ideas, experiences, research findings, and information in the field of measurement of geometrical quantities. The book addresses a wide range of topics, including: 3D measurement of GPS characteristics, measurement of gears and threads, measurement of roughness, micro- and nano-metrology, laser metrology for precision measurements, cyber physical metrology, optical measurement techniques, industrial computed tomography, multisensor techniques, intelligent measurement systems, evaluating measurement uncertainty, dimensional management in industry, product quality assurance methods, and big data analytics. By providing updates on key issues and highlighting recent advances in measurement and quality control, the book supports the transfer of vital knowledge to the next generation of academics and practitioners.