Implementasi Deep Learning dengan Tensorflow untuk Mendeteksi Kualitas Material pada Departemen IQC
Total View This Week0
Total View This Week0
Institusion
Universitas Putera Batam
Author
Sinaga, Michael Nasib Jalverin
Subject
004.21 Sistem Analis dan Desain Komputer
Datestamp
2024-05-22 03:24:55
Abstract :
Implementasi Deep learning menggunakan Tensorflow dalam Meningkatkan Efisiensi Incoming quality control pada Proses Pemeriksaan Kualitas Material Incoming quality control (IQC) merupakan fase kritis dalam rantai produksi yang memastikan material yang masuk memenuhi stdir kualitas, memegang peran penting dalam menjamin kualitas akhir produk. Meskipun demikian, efektivitas dan efisiensi IQC seringkali terpengaruh oleh masalah seperti akurasi dan kecepatan inspeksi material. Penelitian ini menyoroti pentingnya integrasi Incoming quality control dengan kebijakan produksi untuk memastikan keberhasilan proses kontrol kualitas. Sebuah pendekatan canggih diusulkan untuk mengatasi permasalahan tersebut dengan memanfaatkan teknologi deep learning, khususnya dengan menggunakan framework Tensorflow. Kualitas produk akhir sangat bergantung pada kualitas material yang digunakan. Deep learning, sebagai cabang dari Machine learning, digunakan untuk segmentasi citra guna mendeteksi dan memisahkan objek, serta dapat mengklasifikasikan kualitas material. Kinerja tinggi artificial intelligence berbasis deep learning diharapkan mampu mendeteksi, mengklasifikasikan, dan mengevaluasi material menggunakan dataset yang relevan. Metode implementasi deep learning menggunakan Tensorflow, dengan fokus pada Convolutional neural network (CNN) untuk pengenalan dan pemrosesan gambar, diusulkan untuk meningkatkan akurasi dan efisiensi proses pemeriksaan. Tensorflow, sebagai framework terkemuka, menyediakan alat dan infrastruktur canggih dalam pengembangan model deep learning. Tujuan utama penelitian ini adalah menghasilkan model yang dapat mendeteksi kualitas material secara akurat, dengan harapan mengurangi keterlibatan inspector dan meningkatkan efisiensi proses IQC. Dengan implementasi deep learning menggunakan Tensorflow, diantisipasi terciptanya model yang sangat akurat, mempercepat proses pemeriksaan, mengotomatisasi sebagian besar tugas, serta mengurangi biaya operasional dan resiko kesalahan manusia. Penelitian ini diharapkan memberikan kontribusi positif terhadap pengembangan teknologi pengujian kualitas material yang lebih canggih, efisien, dan efektif, memberikan dampak positif pada kualitas produk akhir dan efisiensi operasional.
Implementasi Deep learning menggunakan Tensorflow dalam Meningkatkan Efisiensi Incoming quality control pada Proses Pemeriksaan Kualitas Material Incoming quality control (IQC) merupakan fase kritis dalam rantai produksi yang memastikan material yang masuk memenuhi stdir kualitas, memegang peran penting dalam menjamin kualitas akhir produk. Meskipun demikian, efektivitas dan efisiensi IQC seringkali terpengaruh oleh masalah seperti akurasi dan kecepatan inspeksi material. Penelitian ini menyoroti pentingnya integrasi Incoming quality control dengan kebijakan produksi untuk memastikan keberhasilan proses kontrol kualitas. Sebuah pendekatan canggih diusulkan untuk mengatasi permasalahan tersebut dengan memanfaatkan teknologi deep learning, khususnya dengan menggunakan framework Tensorflow. Kualitas produk akhir sangat bergantung pada kualitas material yang digunakan. Deep learning, sebagai cabang dari Machine learning, digunakan untuk segmentasi citra guna mendeteksi dan memisahkan objek, serta dapat mengklasifikasikan kualitas material. Kinerja tinggi artificial intelligence berbasis deep learning diharapkan mampu mendeteksi, mengklasifikasikan, dan mengevaluasi material menggunakan dataset yang relevan. Metode implementasi deep learning menggunakan Tensorflow, dengan fokus pada Convolutional neural network (CNN) untuk pengenalan dan pemrosesan gambar, diusulkan untuk meningkatkan akurasi dan efisiensi proses pemeriksaan. Tensorflow, sebagai framework terkemuka, menyediakan alat dan infrastruktur canggih dalam pengembangan model deep learning. Tujuan utama penelitian ini adalah menghasilkan model yang dapat mendeteksi kualitas material secara akurat, dengan harapan mengurangi keterlibatan inspector dan meningkatkan efisiensi proses IQC. Dengan implementasi deep learning menggunakan Tensorflow, diantisipasi terciptanya model yang sangat akurat, mempercepat proses pemeriksaan, mengotomatisasi sebagian besar tugas, serta mengurangi biaya operasional dan resiko kesalahan manusia. Penelitian ini diharapkan memberikan kontribusi positif terhadap pengembangan teknologi pengujian kualitas material yang lebih canggih, efisien, dan efektif, memberikan dampak positif pada kualitas produk akhir dan efisiensi operasional.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
