Peningkatan Kualitas Produk Gaer Sentrik; Mendeteksi Part Gear Sentrik Menggunakan Modifikasi Resnet-50

Kualitas produk dalam industri manufaktur sangat penting untuk menjaga efisiensi operasional dan kepuasan pelanggan, khususnya pada komponen roda gear sentrik yang memiliki peran krusial dalam sistem mekanis. Penelitian ini mengembangkan sistem deteksi cacat berbasis Convolutional Neural Network (CNN) dengan memanfaatkan arsitektur YOLOv8 dan ResNet-50. Dataset yang digunakan terdiri dari 8.700 gambar, hasil augmentasi dari 1.000 gambar asli yang diperoleh menggunakan kamera DSLR. Model YOLOv8 digunakan untuk mendeteksi tujuh komponen gear sentrik, dengan akurasi keseluruhan mencapai 91,29%. Selanjutnya, bagian yang terdeteksi diklasifikasikan ke dalam dua kelas Normal dan Cacat Halus menggunakan model ResNet-50 yang telah dimodifikasi, dengan akurasi klasifikasi mencapai 100%. Hasil penelitian menunjukkan bahwa kombinasi YOLO dan ResNet-50 efektif dalam mendeteksi dan mengklasifikasikan cacat halus pada komponen gear sentrik.

Kata Kunci : Deteksi Cacat, Gear Sentrik, CNN, Yolov8-seg, Resnet-50, Klasifikasi Gambar.