Katalog Tugas Akhir & Lulusan

Pengembangan Sistem Inspeksi Kualitas Otomatis Berbasis YOLOv8n untuk Deteksi Cacat Pin pada PCB Controller

Proses inspeksi kualitas pin pada PCB Controller di salah satu perusahaan manufaktur elektronik Batam saat ini menggunakan sistem template matching berbasis kamera Keyence CV-X yang memiliki tingkat False Reject tinggi akibat sensitivitas berlebihan terhadap variasi minor pada citra. Penelitian ini bertujuan merancang dan mengimplementasikan lapisan verifikasi berbasis deep learning menggunakan model YOLOv8n sebagai Stage 2 dalam arsitektur dual-stage verification untuk mengurangi False Reject Rate (FRR) pada proses inspeksi pinbent. Model YOLOv8n dilatih menggunakan transfer learning pada dataset citra pin PCB Controller, diekspor ke format ONNX, dikuantisasi ke INT8, dan diintegrasikan ke dalam aplikasi desktop VB.NET melalui ONNX Runtime. Pengujian dilakukan pada Mode Inspeksi Mandiri (Standalone) menggunakan 524 unit PCB Controller dari data produksi aktual, dengan pipeline inferensi yang identik dengan mode produksi (pemotongan area pin, letterbox resizing, inferensi ONNX, dan logika keputusan bertingkat). Hasil evaluasi menunjukkan model mencapai [email protected] sebesar 96,68% dan recall 99,82% pada data validasi tingkat pin. Pada tingkat sistem, model YOLOv8n meningkatkan accuracy dari 58,78% menjadi 85,50% dan menurunkan False Reject Rate dari 39,54% menjadi 13,87%. Penurunan relatif sebesar 64,9% yang terbukti signifikan secara statistik melalui McNemar's test (p < 0,001). Hasil ini menunjukkan bahwa pendekatan deep learning berbasis YOLOv8n efektif dalam mengatasi keterbatasan sistem template matching untuk inspeksi pinbent di lingkungan manufaktur.