Radial Basis Function Neural Network sebagai Pengklasifikasi Citra Cacat Pengelasan

<p>Tingginya resiko kesalahan manusia dalam inspeksi visual untuk cacat pengelasan yang masih mengandalkan kemampuan manusia sulit untuk dihindari. Oleh sebab itu, penelitian ini mengusulkan sebuah klasifikasi cacat las visual dengan menggunakan algoritma <em>Radial Basis Function Neural Network</em> (RBFNN). Masukan RBFNN berupa citra las yang terdiri dari 5 (lima) kelas cacat las visual dan 1 (satu) kelas citra las normal. Citra las tersebut diproses terlebih dahulu menggunakan metode ekstraksi fitur <em>Fast Fourier Transform</em> (FFT) dan <em>Descreate Cosine Transform</em> (DCT). Hasil kedua metode ekstraksi fitur tersebut kemudian akan saling dibandingkan untuk mengetahui kinerja RBFNN. Hasil pengujian menunjukkan bahwa sistem dengan metode FFT-RBFNN dapat menggolongkan citra cacat las dengan akurasi sebesar 91.67% dan DCT-RBFNN sekitar 83.33% dengan jumlah neuron hidden layer sebanyak 15 dan parameter spread adalah 4.<em></em></p><p>Kata Kunci: <em>Radial Basis Function Neural Network</em> (RBFNN), FFT, DCT, cacat las, klasifikasi.</p><p align="center">Radial Basis Function Neural Network as a Weld Defect Classifiers<strong></strong></p><p><strong> </strong></p><p><strong>ABSTRACT</strong></p><p><em>The high risk of human error in visual inspection of welding defects that still rely on human capabilities is difficult to avoid. Therefore, this study proposes a classification of visual welding defects using the Radial Base Function Neural Network (RBFNN) algorithm. The RBFNN input is in the form of a welding image consisting of 5 (five) visual welding defect classes and 1 (one) normal welding image class. The weld image is processed first using the Fast Fourier Transform (FFT) and Descreate Cosine Transform (DCT) feature extraction methods. The results of these two feature extraction methods will be compared to find out the RBFNN performance. The test results show that the system with FFT-RBFNN method can classify the image of weld defects with an accuracy of 91.67% and DCT-RBFNN around 83.33% with the number of hidden layer neurons as much as 15 and the parameters of spread are 4.</em></p><p><em>Keywords: Radial Basis Function Neural Network (RBFNN), FFT, DCT, weld defect, classification.</em></p>