Inspeksi kualitas pengelasan menggunakan citra radiografi secara manual rentan terhadap
subjektivitas, membutuhkan waktu lama, dan bergantung pada keterbatasan sumber daya
manusia. Oleh karena itu, diperlukan sistem otomatis untuk meningkatkan konsistensi
dan efisiensi inspeksi. Penelitian ini mengembangkan Convolutional Neural Network
(CNN) custom, WeldDefect-CNN-v2.1, untuk mengklasifikasikan cacat las berdasarkan
ISO 6520. Dataset terdiri dari 428 citra radiografi dengan tujuh kelas : good weld, crack,
porosity, inclusion, lack of fusion, undercut, dan burn through. Arsitektur CNN mencakup
layer konvolusi (32–128 filter, kernel 3×3, aktivasi ReLU), max pooling, dense layer (512
dan 256 unit), dropout (0,3–0,7), dan softmax untuk klasifikasi. Tahap praproses meliputi
CLAHE, normalisasi, dan augmentasi data. Optimasi hyperparameter dilakukan dengan
grid search pada variasi learning rate, batch size, dan dropout rate. Model mencapai
akurasi rata-rata 45–50% dari 100 kali percobaan. Analisis confusion matrix
menunjukkan masih terdapat false positive dan false negative yang cukup tinggi,
khususnya pada kelas dengan data terbatas, serta confidence rendah (80%), sistem menunjukkan
potensi penerapan di lapangan dan memerlukan pengembangan lebih lanjut melalui
perluasan dataset serta penerapan metode ensemble untuk peningkatan performa.
Kata kunci: convolutional neural network, deteksi cacat las, citra radiografi, machine
learning, inspeksi otomatis