Denny Sukma Eka Atmaja, mahasiswa Program Doktor Teknik Industri UGM sekaligus dosen Program Studi Teknik Industri Universitas Telkom, telah melaksanakan Seminar Hasil 1 untuk penelitian disertasinya yang berjudul “Perancangan Sistem Inspeksi Secara Real-time Proses Klowong Batik Tulis dengan Teknologi Automatic Repair Berbasis Deep Learning”. Seminar Hasil 1 tersebut dilaksanakan pada Rabu (14/05), bertempat di Ruang Sidang B-1 Departemen Teknik Mesin dan Industri (DTMI) UGM. Seminar Hasil 1 ini merupakan salah satu tahap yang harus dilalui oleh seorang mahasiswa program doktor dalam menyelesaikan penelitian untuk tugas akhirnya.
Dalam Seminar Hasil 1 kali ini, turut hadir tim promotor dan kopromotor dari Denny yang beranggotakan Ir. Muhammad Kusumawan Herliansyah, S.T., M.T., Ph.D., IPU., ASEAN Eng. dan Ir. Andi Sudiarso, S.T., M.T., M.Sc., Ph.D., IPM, ASEAN Eng., serta Ketua Program Studi (Kaprodi) Doktor Teknik Industri Prof. Ir. Nur Aini Masruroh, S.T., M.Sc., Ph.D., IPU., ASEAN Eng..
Dalam penelitiannya, Denny menyatakan bahwa proses klowong adalah tahap penting dalam pembuatan batik tulis yang menentukan kualitas dan keaslian motif. Dalam menghadapi era Industri 4.0, dibutuhkan sistem produksi batik yang otomatis, efisien, dan berkelanjutan. Salah satu solusinya adalah pemanfaatan mesin CNC batik dalam produksi. ”Namun pengawasan kualitas klowong masih dilakukan manual dan rentan kesalahan,” tuturnya.
Penelitian ini mengembangkan sistem inspeksi otomatis berbasis deep learning untuk mendeteksi dan memperbaiki cacat klowong secara real-time, tanpa campur tangan manusia. Tahapannya meliputi pengambilan citra dari mesin CNC, pelabelan dataset berdasarkan standar kualitas pakar, serta pengujian dua pendekatan deteksi cacat: metode tradisional (integral image dan NCC) dan metode CNN dengan berbagai arsitektur (VGG19_bn, DenseNet121, MobileNetV2, dsb.). Hasil menunjukkan bahwa integral image unggul dalam efisiensi dan akurasi deteksi dibanding NCC, dengan FPR 1,92%, ACR 96,82%, dan waktu proses 0,0194 detik/gambar. Dalam klasifikasi, VGG19_bn mencatat performa tertinggi (akurasi 99,11%), disusul DenseNet121 dan MobileNetV2.
”Sistem ini berhasil mengintegrasikan deteksi cacat dan perbaikan otomatis selama proses klowong berlangsung, mendukung visi Batik 4.0 serta meningkatkan daya saing industri batik tulis nasional melalui otomasi dan kecerdasan buatan,” pungkas Denny.
Kontributor: Sani Wicaksono, S.E., M.M.
Editor: Gusti Purbo Darpitojati, S.I.Kom.