HUTASOIT, RAJA PARTAHI and Kusuma, Hollanda Arief and Suhendra, Tonny (2026) RANCANG BANGUN SISTEM DETEKSI CACAT COLOR DOT PADA KANTONG CETAK KOMPONEN ELEKTRONIK BERBASIS YOLOV5. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (COVER) RAJA_PARTAHI_HUTASOIT_2201010012_Elektro - Cover.pdf - Published Version Download (576kB)
	Text (Abstrak) RAJA_PARTAHI_HUTASOT_2201010012_Elektro - Abstrak.pdf - Published Version Download (201kB)
	Text (BAB I) RAJA_PARTAHI_HUTASOT_2201010012_Elektro - BAB I.pdf - Published Version Download (215kB)
	Text (Daftar Pustaka) RAJA_PARTAHI_HUTASOT_2201010012_Elektro - Daftar Pustaka.pdf - Published Version Download (280kB)
	Text (FULL TEKS) RAJA_PARTAHI_HUTASOT_2201010012_Elektro - Full Teks.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Inspeksi kualitas produk pada lini produksi industri masih banyak dilakukan secara visual oleh operator manusia. Metode ini memiliki keterbatasan dalam hal konsistensi, kecepatan, dan akurasi karena dipengaruhi oleh faktor kelelahan visual serta subjektivitas pengamatan. Kondisi tersebut berpotensi menyebabkan kesalahan dalam proses identifikasi cacat produk yang dapat berdampak pada kualitas hasil produksi. Oleh karena itu, diperlukan sistem inspeksi visual otomatis yang mampu meningkatkan keandalan proses pengendalian kualitas secara objektif dan konsisten. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem inspeksi visual otomatis untuk mendeteksi cacat color dot pada kantong cetak komponen elektronik dengan memanfaatkan pendekatan deep learning dan image processing. Metode deep learning digunakan melalui model deteksi objek YOLOv5 untuk mendeteksi dan melokalisasi objek kantong cetak pada citra. Selanjutnya, metode image processing digunakan untuk melakukan analisis lanjutan pada area Region of Interest (ROI) melalui transformasi ruang warna HSV, segmentasi citra menggunakan threshold, serta analisis kontur untuk memvalidasi keberadaan titik warna. Kombinasi kedua pendekatan tersebut membentuk sistem inspeksi visual berbasis hybrid pipeline yang mampu menentukan kondisi produk secara otomatis dalam kategori PASS atau REJECT. Hasil evaluasi model menunjukkan bahwa model YOLOv5 memiliki performa deteksi yang sangat baik dengan nilai precision sebesar 99,966%, recall sebesar 100%, mAP@0.5 sebesar 99,5%, dan mAP@0.5:0.95 sebesar 97,424%. Pada pengujian lapangan menggunakan 100 sampel produk, sistem menghasilkan klasifikasi yang sepenuhnya sesuai dengan inspeksi manual operator Quality Control dengan tingkat akurasi sebesar 100%. Selanjutnya, pada pengujian operasional di lingkungan produksi nyata, sistem berhasil melakukan inspeksi terhadap 2.721 produk secara berkelanjutan dengan hasil 2.670 produk PASS (98,13%) dan 51 produk REJECT (1,87%). Sistem juga mampu beroperasi secara real-time dengan rata-rata kecepatan pemrosesan sebesar 11,58 FPS dan waktu respons sekitar 85 ms. Berdasarkan hasil pengujian tersebut, sistem inspeksi visual yang dikembangkan mampu mendeteksi cacat color dot secara akurat, stabil, dan konsisten pada lingkungan produksi. Pendekatan hybrid pipeline yang menggabungkan deep learning dan image processing terbukti efektif dalam meningkatkan keandalan proses inspeksi visual otomatis. Implementasi sistem ini juga mampu mengurangi ketergantungan terhadap inspeksi manual serta meningkatkan efisiensi proses pengendalian kualitas. Dengan demikian, sistem yang diusulkan berpotensi menjadi solusi otomatisasi inspeksi kualitas pada industri manufaktur elektronik. Kata kunci: inspeksi visual, computer vision, deep learning, YOLOv5, quality control.

Actions (login required)

View Item