DEVINA PUTRI, TIARA and Ritha, Nola and Fattah Fahmitra, Novrizal (2026) ANALISIS PERBANDINGAN FASTER R-CNN DAN YOLOv8 DENGAN OPTIMASI EFFICIENT MULTI SCALE ATTENTION (EMA) UNTUK DETEKSI CACAT PADA KOMPONEN RADIAL LEADED INDUCTOR. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) TIARA_DEVINA_PUTRI_2201020084_Teknik Informatika - Cover.pdf - Published Version Download (928kB)
	Text (Abstrak) TIARA_DEVINA_PUTRI_2201020084_Teknik_Informatika - Abstrak.pdf - Published Version Download (906kB)
	Text (BAB I) TIARA_DEVINA_PUTRI_2201020084_Teknik Informatika - BAB I.pdf - Published Version Download (689kB)
	Text (Daftar Pustaka) TIARA_DEVINA_PUTRI_2201020084_Teknik Informatika - Daftar Pustaka.pdf - Published Version Download (504kB)
	Text (Full Teks) TIARA_DEVINA_PUTRI_2201020084_Teknik Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Industri manufaktur komponen elektronika dituntut menerapkan standar Zero Defect untuk menjamin kualitas produk, termasuk pada komponen Radial Leaded Inductor yang rentan mengalami defect seperti chip core dan crack core. Proses inspeksi manual yang masih digunakan memiliki keterbatasan dalam hal kecepatan, konsistensi, dan risiko human error, sehingga diperlukan sistem inspeksi visual berbasis computer vision. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa deteksi cacat menggunakan metode Faster R-CNN, YOLOv8 baseline, dan YOLOv8 yang diintegrasikan dengan modul Efficient Multi-Scale Attention (EMA). Metode penelitian meliputi pelatihan model deep learning dan evaluasi pada data uji menggunakan metrik precision, recall, mAP50, mAP50-95, F1-score, serta waktu inferensi. Hasil penelitian menunjukkan bahwa Faster R-CNN menghasilkan performa deteksi terbaik dengan nilai mAP50-95 sebesar 0,827, namun memiliki waktu inferensi sebesar 63,3ms. YOLOv8s memiliki waktu inferensi tercepat sebesar 8ms, tetapi menghasilkan performa deteksi yang lebih rendah. Sementara itu, YOLOv8l-EMA memberikan keseimbangan terbaik antara akurasi dan kecepatan dengan nilai mAP50-95 sebesar 0,778 dan waktu inferensi sebesar 16,5ms. Berdasarkan hasil tersebut, YOLOv8l-EMA dipilih sebagai model yang paling optimal karena mampu memberikan performa deteksi yang tinggi dengan waktu inferensi yang tetap memenuhi kebutuhan inspeksi visual semi otomatis secara real-time.

Actions (login required)

View Item