Deteksi Part Gear Sentrik Menggunakan Algoritma Convolutional Neural Network di Bidang Manufaktur

Dalam industri manufaktur, proses klasifikasi komponen secara manual sering kali memakan waktu, tidak konsisten, dan rawan kesalahan. Penelitian ini mengusulkan metode deteksi otomatis menggunakan algoritma Convolutional Neural Network (CNN) dengan model YOLOv8m-seg untuk mengidentifikasi part gear sentrik yang memiliki bentuk mirip dalam jumlah besar. Sebanyak 1000 gambar dikumpulkan menggunakan kamera DSLR dan box foto untuk memastikan pencahayaan merata. Data kemudian dilabeli secara manual menggunakan Roboflow dan ditingkatkan melalui teknik preprocessing dan augmentasi sehingga menjadi 7359 gambar dalam format YOLO. Model dilatih selama 40 epoch dan dievaluasi menggunakan metrik Precision, Recall, F1-score, dan mAP. Hasil evaluasi menunjukkan [email protected] sebesar 0.967, F1-score rata-rata 0.95 pada confidence 0.464, serta akurasi total 95%. Model juga berhasil diuji secara langsung menggunakan kamera dan mampu mendeteksi part seperti Leaver, Spring, WT, dan Shaft secara akurat. Temuan ini menunjukkan bahwa metode CNN dengan YOLOv8m-seg efektif untuk deteksi otomatis part gear dalam lingkungan industri manufaktur.

Kata Kunci : Convolutional Neural Network, Deteksi cacat, roda gigi sentrik, YOLOv8m-seg