IMPLEMENTASI YOLOV8 DALAM SISTEM DETEKSI CACAT PADA KAIN PRODUKSI PAKAIAN

Elyas, Muhammad Lutfi Aminuddin (2024) IMPLEMENTASI YOLOV8 DALAM SISTEM DETEKSI CACAT PADA KAIN PRODUKSI PAKAIAN. Other thesis, UPN Veteran Yogyakarta.

	Text Cover Skripsi.pdf Download (143kB)
	Text Abstrak.pdf Download (11kB)
	Text Halaman Pengesahan Pembimbing.pdf Download (1MB)
	Text Halaman Pengesahan Penguji.pdf Download (511kB)
	Text Daftar Isi.pdf Download (76kB)
	Text Daftar Pustaka.pdf Download (155kB)
	Text Skripsi Full Muhammad Lutfi Aminuddin Elyas_123200032.pdf Restricted to Repository staff only Download (4MB)

Abstract

Industri tekstil merupakan sektor yang sangat penting dalam perekonomian global,
berkontribusi signifikan terhadap pertumbuhan ekonomi dan penyediaan lapangan kerja.
Namun, industri ini mempunyai tantangan dalam menjaga kualitas produk dalam proses
produksi, terutama dalam mendeteksi cacat pada kain yang digunakan untuk pakaian. Cacat
seperti sobekan, noda, dan jahitan yang tidak rapi dapat mengurangi nilai jual produk dan
mempengaruhi kepuasan pelanggan. Oleh karena itu, penelitian ini bertujuan untuk
mengimplementasikan sistem deteksi cacat kain menggunakan algoritma YOLOv8 dan
mengukur tingkat akurasinya, yang diharapkan dapat meningkatkan efisiensi dalam proses
inspeksi kain.
Metode penelitian yang digunakan mencakup pengumpulan data dari dataset Fabric
Defect yang tersedia di Roboflow, yang terdiri dari 2.760 gambar dengan empat kelas cacat,
yaitu 956 hole defect, 872 line defect, 1132 stain defect, dan 900 knot defect. Proses
preprocessing dilakukan melalui beberapa tahapan penting, termasuk anotasi gambar untuk
menandai cacat, pembagian data menjadi set pelatihan dan pengujian untuk memastikan
model dapat generalisasi dengan baik, augmentasi untuk meningkatkan variasi data dan
mengurangi risiko overfitting, serta duplikasi untuk memperkaya dataset. Model YOLOv8s
kemudian dilatih menggunakan data yang telah diproses, dan evaluasi kinerja model
dilakukan dengan menggunakan metrik seperti precision, recall, dan mean Average
Precision (mAP) untuk menilai efektivitas deteksi.
Hasil penelitian menunjukkan bahwa model YOLOv8 berhasil mencapai precision
sebesar 90.9%, recall 91%, dan mAP50 sebesar 94.4%. Hasil ini menunjukkan bahwa model
memiliki kemampuan yang baik dalam mendeteksi cacat pada kain, meskipun terdapat
beberapa tantangan dalam mendeteksi cacat kecil yang mirip dengan background. Penelitian
ini diharapkan dapat memberikan kontribusi terhadap pengembangan teknologi deteksi cacat
di industri tekstil, serta menjadi dasar untuk penelitian lebih lanjut dalam meningkatkan
kualitas produk melalui otomatisasi proses inspeksi. Dengan penerapan sistem ini,
diharapkan dapat mengurangi biaya inspeksi manual dalam proses quality control, sehingga
memberikan nilai tambah bagi industri tekstil.
Kata Kunci: Cacat Kain Produksi, Deep Learning, Deteksi Cacat Kain, YOLOv8

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Cacat Kain Produksi, Deep Learning, Deteksi Cacat Kain, YOLOv8
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	24 Dec 2024 01:31
Last Modified:	24 Dec 2024 01:31
URI:	http://eprints.upnyk.ac.id/id/eprint/41902

Actions (login required)

View Item