Setiawan, Denis Andi (2018) Sistem Klasifikasi Jenis Karat Menggunakan Metode Decision Tree Berbasis Raspberry PI. Sarjana thesis, Universitas Brawijaya.
Abstract
Karat merupakan suatu peristiwa kerusakan atau terjadinya penurunan kualitas bahan logam yang disebabkan oleh reaksi lingkungan. Faktor lingkungan seperti hujan dan angin membuat bahan logam tersebut mudah untuk berkarat, beberapa contoh benda yang mudah berkarat adalah besi dan seng. Tempat pengepulan adalah salah satu pengelolah sebuah benda yang tidak terpakai lagi atau berkarat. Di tempat pengepulan itu benda yang berkarat itu dipilah-pilah. Namun pendeteksian karat dilakukan secara manual melalui per potong atau per bagian dengan mata telanjang. Metode ini membosankan dan rentan dengan kesalahan manusia. Tidak jarang sebuah karat luput dari penglihatan mata. Berdasarkan masalah tersebut, perlu adanya sistem yang dapat memilah seng tersebut secara otomatis untuk memudahkan pemilik dan membuat produksi lebih efektif. Dalam pembuatan sistem ini, citra karat yang diambil berupa seng yang telah berkarat. Sistem ini mengambil citra karat menggunakan webcam yang terhubung ke Raspberry Pi. Karat dari citra dideteksi menggunakan metode thresholding, kemudian diklasifikasikan menjadi karat ringan atau karat berat yang hasilnya akan ditampilkan melalui LCD. Dalam hal ini batas persentase dari klasifikasi karat akan ditentukan dengan metode decision tree. Pengujian dan analisis dilakukan untuk mencari persentase keakurasian sistem, dan dapat disimpulkan bahwa dari seng yang telah dicat dibagian yang berkarat memiliki memiliki selisih persentase sebesar 0,02 apabila dibandingkan dengan karat original, dan karat original memiliki keakurasian kelas 90 % apabila dibandingkan kelas asli yang telah ditentukan pakar, serta waktu eksekusi dari program ini yaitu sekitar 0,59.
English Abstract
Rust is an event of damage or a deterioration in the quality of metals caused by environmental reactions. Environmental factors such as rain and wind make the metal material easier to rust, some examples of objects that are easily corroded are iron and zinc. which is no longer used or corroded. In a place where the clipping is corroded, it is sorted. But the detection of rust is done manually through per piece or per part with the naked eye. This method is tedious and vulnerable to human error. Not infrequently a rust escapes eye sight. Based on these problems, it is necessary to have a system that can sort the zinc automatically to make it easier for the owner and make production more effective. In making this system, the image of rust taken is rusty zinc. This system takes rust images using a webcam connected to the Raspberry Pi The rims of the image are detected using the thresholding method, then classified into light rust or heavy rust, the results of which will be displayed via LCD. In this case the percentage limit of rust classification will be determined by the decision tree method. Testing and analysis are performed to find the percentage of system accuracy, and It can be concluded that the zinc that has been painted in the rusty section has a difference in the percentage of 0.02 when compared to the original rust, and original rust has class accuracy of 90% compared to the original class that has been determined by experts, and the execution time of this program is around 0.59.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2018/910/051900261 |
| Uncontrolled Keywords: | Raspberry Pi, Webcam, LCD 2X16, thresholding, kategori karat, decision tree / Raspberry Pi, Webcam, 2X16 LCD, thresholding, rust category, decision tree |
| Subjects: | 000 Computer science, information and general works > 003 Systems > 003.5 Theory of communication and control |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Endang Susworini |
| Date Deposited: | 21 Apr 2020 19:45 |
| Last Modified: | 24 Jun 2022 08:40 |
| URI: | http://repository.ub.ac.id/id/eprint/167146 |
![[thumbnail of Denis Andi Setiawan.pdf]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text
Denis Andi Setiawan.pdf Download (5MB) |
Actions (login required)
 |
View Item |