Penerapan Machine Learning untuk Deteksi Cacat Sablon pada Produk Konveksi Menggunakan Pengolahan Citra
Keywords:
Industri Konveksi, Proses Sablon, Cacat Produk, Pengendalian Kualitas, Inspeksi ManualAbstract
Industri konveksi di Indonesia berkembang pesat seiring meningkatnya kebutuhan masyarakat akan pakaian dan produk tekstil lainnya. Dalam proses produksinya, salah satu tahap penting yang sangat menentukan kualitas produk adalah proses sablon. Sablon menjadi nilai tambah estetika pada pakaian, terutama pada produk fashion, seragam, dan pakaian promosi. Namun, proses ini juga rentan menimbulkan berbagai bentuk cacat produk, seperti warna tidak merata, hasil cetak kabur, cetakan bergeser, atau tinta tidak menempel sempurna. Masalah cacat sablon tidak hanya menyebabkan kerugian ekonomi akibat produk gagal yang tidak bisa dijual, tetapi juga berdampak pada reputasi dan kepercayaan konsumen terhadap kualitas produk konveksi. Saat ini, proses pengecekan cacat umumnya masih dilakukan secara manual oleh tenaga kerja manusia, yang sangat bergantung pada subjektivitas dan tingkat ketelitian masing-masing operator. Hal ini tentu saja membuka peluang terjadinya inkonsistensi dalam penilaian kualitas, serta menghambat efisiensi dalam rantai produksi.
References
Ayuningtias, L. P., & Irfan, M. (2017). Analisa perbandingan logic fuzzy metode Tsukamoto, Sugeno, dan Mamdani (studi kasus: prediksi jumlah pendaftar mahasiswa baru Fakultas Sains dan Teknologi Universitas Islam Negeri Sunan Gunung Djati Bandung).
Cahyanti, A. N., & Purnama, B. E. (2013). Pembangunan sistem informasi manajemen Puskesmas Pakis Baru Nawangan.
Chayes, J. (2021). Leading data science and computing at UC Berkeley. Harvard Data Science Review. https://doi.org/10.1162/99608f92.12c8533a
Gupta, A., Goyal, S., & Bhushan, B. (2012). Information hiding using least significant bit steganography and cryptography. International Journal of Modern Education and Computer Science, 4(6), 27–34. https://doi.org/10.5815/ijmecs.2012.06.04
Hariri, F. R., & Rochim, L. W. (2022). Sistem rekomendasi produk aplikasi marketplace berdasarkan karakteristik pembeli menggunakan metode user based collaborative filtering. Teknika, 11(3), 208–217. https://doi.org/10.34148/teknika.v11i3.538
Haris, M. S., Khudori, A. N., Kusuma, W. T., et al. (2022). Perbandingan metode supervised machine learning untuk prediksi prevalensi stunting di Provinsi Jawa Timur. https://doi.org/10.25126/jtiik.202296744
Kurniawan, P. (2020). Implementasi akad murabahah di perbankan syariah Kota Padangsidimpuan.
Langgeni, D. P., Baizal, Z. K. A., & Firdaus, Y. (2010). Clustering artikel berita berbahasa Indonesia menggunakan unsupervised feature selection. Seminar Nasional Informatika.
Munir, Z., & Audyna, L. (2020). Pengaruh edukasi tentang stunting terhadap pengetahuan dan sikap ibu yang mempunyai anak stunting.
Najla, G., & Fitrianah, D. (2020). Penerapan metode regresi linear untuk prediksi penjualan properti pada PT XYZ. Jurnal Telematika, 14(2).
Nata, G. N. M., & Yudiastra, P. (2020). Konferensi nasional sistem dan informatika.
Provost, F., & Fawcett, T. (2013). Data science and its relationship to big data and data-driven decision making. Big Data, 1(1), 51–59. https://doi.org/10.1089/big.2013.1508
Samosir, F. V. P., Mustamu, L. P., Anggara, E. D., Wiyogo, A. I., & Widjaja, A. (2021). Exploratory data analysis terhadap kepadatan penumpang kereta rel listrik. Jurnal Teknik Informatika dan Sistem Informasi, 7(2). https://doi.org/10.28932/jutisi.v7i2.3700
Sidik, A. D., Ansawarman, A., & Jalan, F. (2022). Prediksi jumlah kendaraan bermotor menggunakan machine learning. Formosa Journal of Multidisciplinary Research, 1(3), 559–568. https://doi.org/10.55927
Untuk Menempuh Ujian Sarjana, D. (n.d.). Analisis sistem dan prosedur pemberian kredit usaha rakyat dalam upaya pengendalian intern (studi pada PT. Bank Mandiri (Persero), Tbk Unit Pare, Kediri) [Skripsi].
