Indonesia Segmentasi Citra Cacat Industri Menggunakan CNN dengan Contrastive Learning

Fajar Akbar, Arief Suryadi Satyawan, Mokh Mirza Etnisa Haqiqi, ANDIKA MUHAMMAD NUR KHOLIQ, IASYA FAIQOH NURROHMAH, AULIA ADAWIYAH, ESTI FITRIA WULANDARI, RENDI TRI SUGIAN, Nurul FazriNon-Scopus1 Juli 2026Afiliasi: ID

Abstrak

Penelitian ini dilatarbelakangi oleh kebutuhan peningkatan akurasi segmentasi citra cacat pada inspeksi visual industri, terutama karena model CNN konvensional masih cenderung kurang optimal dalam membedakan area cacat dan latar belakang. Penelitian ini mengusulkan dua varian model, yaitu CNN baseline berbasis encoder–decoder dengan ComboLoss, serta CNN + Contrastive yang menambahkan projection head dan Proposal Contrastive Loss berbasis InfoNCE untuk memperkuat pemisahan representasi foreground dan background. Model diuji melalui pelatihan dan validasi, kemudian dievaluasi menggunakan IoU, Dice, Precision, dan Recall. Hasil eksperimen menunjukkan bahwa model CNN + Contrastive memberikan kinerja yang lebih baik dibandingkan baseline, dengan peningkatan IoU dari 0,21 menjadi 0,66, Dice dari 0,31 menjadi 0,77, Precision dari 0,67 menjadi 0,78, dan Recall dari 0,21 menjadi 0,81. Secara visual, mask hasil segmentasi juga tampak lebih presisi dan lebih mendekati ground truth. Dengan demikian, integrasi pembelajaran kontrastif dalam arsitektur CNN terbukti efektif untuk meningkatkan kualitas segmentasi citra cacat pada konteks inspeksi industri.

Identifier

Ekspor BibTeX
Scroll to Top