Implementasi Mask R-CNN untuk Identifikasi Cacat pada Pengelasan Shielded Metal Arc Welding (SMAW)

Abstract

Penelitian ini mengembangkan metode pemrosesan citra digital untuk inspeksi visual cacat pengelasan baja, khususnya untuk mendeteksi cacat spatter dan slag inclusion. Penelitian ini menggunakan algoritma Mask R-CNN untuk melakukan deteksi dan segmentasi cacat las secara akurat pada dataset pengelasan busur listrik. Dataset yang digunakan terdiri dari 176 gambar spesimen hasil pengelasan SMAW, yang diambil di Politeknik Perkapalan Negeri Surabaya. Dataset diolah menggunakan platform Roboflow untuk pelabelan, prapemrosesan, dan augmentasi data. Setelah itu, model dilatih dengan menggunakan algoritma Mask R-CNN. Model ini kemudian diterapkan dalam aplikasi Streamlit untuk pengecekan cacat secara interaktif. Hasil eksperimen menunjukkan bahwa Mask R-CNN mampu mendeteksi cacat dengan akurasi yang bervariasi, diukur dengan metrik mean Average Precision (mAP) dan Average Recall (AR). Pada resolusi gambar 640 × 640 piksel, model mencapai mAP sebesar 65,8% untuk deteksi bounding box dan 70,2% untuk mask segmentasi pada threshold AP@0,5.