Impelementasi Deep Learning untuk Optimasi Slump Menggunakan Convolutional Neural Network Pada PT. Handaru Wijaya Mulya

Hedi Pandowo, Dian Kusumaningrum, Vaisal Amir

Abstract


Deep Learning adalah sebuah bidang keilmuan baru dalam bidang Machine Learning yang akhir-akhir ini berkembang karena perkembangan teknologi GPU accelaration. Deep Learning memiliki kemampuan yang sangat baik dalam visi komputer. Salah satunya adalah pada kasus klasifikasi objek pada citra. Dengan mengimplementasikan salah satu metode machine learning yang dapat digunakan untuk klasifikasi citra objek yaitu Convolutional Neral Network (CNN). Metode CNN terdiri dari dua tahap. Tahap pertama adalah klasifikasi citra menggunakan feedforward. Tahap kedua merupakan tahap pembelajaran dengan metode backpropagation. Sebelum dilakukan klasifikasi, terlebih dahulu dilakukan praproses dengan metode wrapping dan cropping untuk memfokuskan objek yang akan diklasifikasi. Selanjutnya dilakukan training menggunakan metode feedforward dan backpropagation. Terakhir adalah tahap klasifikasi menggunakan metode feedforward dengan bobot dan bias yang diperbarui. Sehingga dapat disimpulkan bahwa metode CNN yang digunakan pada penelitian ini mampu melakukan klasifikasi dengan baik. Hasil uji-coba dari metode dan algoritma yang dikembangkan menunjukan bahwa pengukuran karakteristik tekstur secara global dalam satu kesatuan citra menunjukan hasilyang lebih baik dari model pengukuran secara lokal. Analisis global pada fitur contrast menunjukkan bahwa semakin tinggi kuat tekan beton, nilai contrast makin kecil yang berarti tekstur citra beton makin halus. Fitur energy dapat digunakan untuk membedakan slump pada beton dengan kuat tekan K-125, K-150, K-250 dan K-300

Keywords


Deep Learning, CNN, Slump

References


A.Karpathy, ''CS231n Convolutional Neural Network for Visual Recognition, ''Stanford University, [Online].Available: http://cs231m.github.io/.

Badan Standarisasi Nasional, 2008, “Cara Uji Slump Beton (SNI 03-1972), Badan Standarisasi Nasional, Bandung

Badan Standarisasi Nasional, 1990, “Metode Pengujian Kuat Tekan (SNI 03-1974), Badan Standarisasi Nasional, Bandung

Dahlan, Sopiyudin M, 2013, Besar Sampel dan Cara Pengambilan Sampel. Jakarta: Salemba Medika

D. Stathakis, 2008, 'How Many Hidden Layers And Nodes?,' International Journal of Remote Sensing

Hao Zhang, Alexander C.Berg, Michael Maire, Jitendra Malik, "SVM-KNN: Discriminative Nearest Neighbor Classfication for Visual Category Recognition," University of California, Berkeley, CA 94720.

J. T. Springenberg, A. Dosovitskiy, T. Brox and M. Riedmiller, 2015, Striving For Simplicity: The All Convolutional Net,ICLR 2015

K. Fukushima, 1980, Neocognitron: A Self-Organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position, Biological Cybernetics

Kristen Grauman, 2005, Trevor Darrell, "The Pyramid Match Kernel: Discriminative Classification with Sets of Image Features," Cambridge, MA, USA.

Lasino . Dan Andrianti,AH,(2003) , Pengendalian Mutu Pekerjaan Beton, Balitbang Kimpraswil.

LISA Lab, ''Deep Learning Tutorial,'' [Online]. Available: http://deeplearning.net/tutorial/contents.html.

Nursalam,2008, Konsep dan Penerapan Metodologi Penelitian Ilmu Keperawatan : Jakarta: Salemba Medika

Siregar, . 2015. Metode Penelitian Kuantitaif. Jakarta: Prenadamedia Group

Stanford University, ''An Introduction to Convolutional Neural Network," Vision Imaging Science and Technology Lab, Stanford University, [Online]. http://white.stanford.edu/teach/index.php/An_Introduction_to_Convolutional_Neural_Networks.

Sugiyono, 2015,Metode Penelitian Manajemen Bandung, Alfabetta

Sujarweni, Wiratna. 2015. SPSS Untuk Penelitian. Yogyakarta : Pustaka Baru Press

Syamsiyah, S.N, 2008. Analisis Beton K-175 Dengan Campuran Serbuk Kapur Untuk Mengurangi Semen, Skripsi, Jurusan Teknik Sipil Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia, Bandung

Tjokrodimuljo, 2007. Teknologi Beton. Biro penerbit: Yogyakarta




DOI: https://doi.org/10.31294/inf.v9i1.11713

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Index by:

 
  
   
      
Published by Department of Research and Public Service (LPPM) Universitas Bina Sarana Informatika with supported Relawan Jurnal Indonesia

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License