Implementasi Artificial Intelligence untuk Mendeteksi Kantong Pecah di Cement Packing House

Abdussalam Darmaatmaja; Guntoro

Authors

Abdussalam Darmaatmaja PT Indocement Tunggal Prakarsa Author
Guntoro Politeknik Semen Indonesia Author

Keywords:

Cement Industry, Artificial Intelligence, Sistem Kontrol, Snap7, Python

Abstract

Kebersihan kantong semen merupakan salah satu masalah yang menjadi perhatian utama di pabrik semen terutama di PT Indocement Tunggal Prakarsa. Secara umum, dalam proses pengantongan semen, saat kantong pecah operator akan langsung menghentikan belt conveyor dan menginstruksikan pekerja untuk mengevakuasi kantong. Namun, terdapat banyak kejadian di mana operator akan terlambat menghentikan belt conveyor. Hal ini menyebabkan material tumpah ke conveyor dan mengkontaminasi nya. Untuk mengatasi masalah ini, dibutuhkan sistem yang bereaksi dengan cepat dan mampu menghentikan conveyor saat mendeteksi kantong pecah. Sistem ini harus mampu membedakan kantong pecah dari kantong normal, dan salah satu cara untuk membuat system tersebut adalah machine vision. Model yang digunakan untuk ini disebut YOLO (Dokumentasi Ultralytics). Dalam penelitian ini, model dilatih menggunakan 1741 gambar kondisi kantong di cement packing house. Model ini akan dikoneksikan dengan system control pabrik menggunakan Snap7 library dari Python (Dokumentasi Snap7). Dengan 471 gambar lain, model telah mampu mendeteksi kantong pecah dengan akurasi 68.07%

Author Biographies

Abdussalam Darmaatmaja, PT Indocement Tunggal Prakarsa

Instrument Engineer di PT Indocement Tunggal Prakarsa
Guntoro, Politeknik Semen Indonesia

Dosen aktif Politeknik Semen Indonesia

References

[1] S.P. Deolalkar. 1979. “Handbook for Designing Cement Plants”. Kundli, India. BS Publications

[2] Cong, Xiaohan. 2023. “A Review of YOLO Object Detection Algorithms based on Deep Learning”. Tianjin, China. Frontiers in Computing and Intelligent System ISSN: 2832-6024 | Vol 4, No2

[3] Saputra, Haris Dede. 2023. Object Detection untuk Mendeteksi Citra Buah Buahan Menggunakan Metode YOLO. Mataram, Indonesia. Jurnal Kecerdasan Buatan dan Teknologi Informasi

[4] Hestness, Joel. 2017. “Deep Learning Scaling is Predictable, Empirically”. New York, USA. Arxiv, Cornell University

[5] Sun, Chen. 2017. “Revisiting Unreasonable Effectiveness of Data in Deep Learning Era”. New York, USA. Arxiv, Cornell University

[6] Ghosh, Aniruda. 2020. “Fundamental Concepts of Convolutional Neural Network”. West Bengal, India. Springer

[7] Ogata, Katsuhiko. 2010. “Modern Control Engineering 5th edition”. New Jersey, USA. Prentice Hall

[8] Sterr, Roland. 2024. “AI Policy”. Heidelberg, Jerman. Group Legal & Compliance, Heidelberg Materials

[9] Molenaar, Gjis. “python-snap7 Documentation”. https://python-snap7.readthedocs.io/en/latest/ (accessed on January 20th, 2026

[10] Azam Adeel, Muhammad. 2022. “Deep Learning Applied to White Light and Narrow Band Imaging Videolaryngoscopy: Toward Real-Time Laryngeal Cancer Detection”. New Jersey, USA. Laryngoscope, Wiley

[11] Moris, S. Alan. 2001. “Measurement and Instrumentation Principles 3rd Edition”. Oxford, United Kingdom. Butterworth-Heinemann

[12] Sathyanarayan, S. 2024. “Confusion Matrix-Based Performance Evaluation Metrics”. Karnataka, India. African Journal of Biomedical Research

[13] Powers, D. M. W. 2011. “Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation”. South Australia, Australia. Journal of Machine Learning Technologies

[14] Montesinos Lopez, Osval Antonio. 2022. “Multivariate Statistical Machine Learning Methods for Genomic Prediction. Cham, Switzerland. Springer Nature Switzerland AG

[15] “Overfitting”, mathworks.com. https://www.mathworks.com/discovery/overfitting.html (accessed on January 21st, 2026)