Perbandingan Performa Support Vector Machine (SVM) dan k-Nearest Neighbors (kNN) dalam Memverifikasi Orientasi Material

Abstract

Dalam manufaktur otomatis, memverifikasi orientasi bahan sangat penting untuk memastikan perakitan produk berjalan tanpa kesalahan. Misalnya, dalam industri minuman, orientasi material yang salah, seperti tutup botol, dapat menyebabkan kegagalan dalam proses pengemasan, yang mengakibatkan botol tidak tersegel dengan benar yang dapat membahayakan kualitas dan keamanan produk. Penelitian ini membandingkan kinerja algoritma Support Vector Machine (SVM) dan k-Nearest Neighbors untuk memverifikasi verifikasi orientasi material melalui inspeksi optik otomatis. Gambar diproses menggunakan Inception V3 Convolutional Neural Network (CNN) untuk mengekstrak fitur gambar yang relevan, yang kemudian diklasifikasikan menggunakan algoritme SVM dan kNN. Hasilnya, kedua metode tersebut mencapai kinerja klasifikasi yang sempurna, dengan akurasi klasifikasi, presisi, recall, dan F1-score sebesar 1,0. Namun, kNN menunjukkan efisiensi komputasi yang lebih unggul, dengan waktu pelatihan 1,126 detik dan waktu pengujian 0,713 detik, dibandingkan dengan waktu pelatihan SVM yang mencapai 3,101 detik dan waktu pengujian 1,479 detik. Hasil ini menunjukkan bahwa meskipun kedua metode tersebut sangat efektif untuk verifikasi orientasi material, kNN menawarkan keuntungan yang signifikan dalam hal kecepatan komputasi, sehingga lebih cocok untuk aplikasi real-time. Implikasi dari penelitian ini menyoroti potensi untuk mengintegrasikan metode yang diusulkan dalam aplikasi industri, mempromosikan peningkatan efisiensi dan mengurangi tingkat kesalahan dalam jalur perakitan otomatis