Reynaldi, Reynaldi (2026) Implementasi sistem inspeksi cacat stamping baja menggunakan metode YOLOv8 berbasis web. Diploma thesis, UBP KARAWANG.
1. JUDUL_260129_22416255201032_Reynaldi.pdf
Download (191kB)
2. Abstrak_260129_22416255201032_Reynaldi.pdf
Download (220kB)
3. Daftar Isi_260129_22416255201032_Reynaldi.pdf
Download (169kB)
4. BAB1_260129_22416255201032_Reynaldi.pdf
Download (156kB)
5. BAB2_260129_22416255201032_Reynaldi.pdf
Restricted to Registered users only
Download (609kB)
6. BAB3_260129_22416255201032_Reynaldi.pdf
Download (491kB)
7. BAB4_260129_22416255201032_Reynaldi.pdf
Restricted to Registered users only
Download (583kB)
8. BAB5_260129_22416255201032_Reynaldi.pdf
Download (129kB)
9. DAFTAR PUSTAKA_260129_22416255201032_Reynaldi.pdf
Download (168kB)
10. LAMPIRAN_260129_22416255201032_Reynaldi.pdf
Restricted to Registered users only
Download (487kB)
Abstract
Proses inspeksi kualitas pada produk stamping baja masih banyak dilakukan secara manual sehingga rentan terhadap kesalahan akibat faktor kelelahan, subjektivitas operator, dan keterbatasan dalam mendeteksi cacat berukuran kecil. Penelitian ini bertujuan untuk mengimplementasikan sistem inspeksi cacat produk stamping baja secara otomatis menggunakan metode You Only Look Once Version 8 (YOLOv8) yang terintegrasi dengan sistem berbasis web. Metode penelitian meliputi akuisisi citra produk stamping baja, anotasi dan pre-processing dataset menggunakan Roboflow, pelatihan model YOLOv8, implementasi model ke dalam aplikasi berbasis web menggunakan Flask, serta evaluasi kinerja model dan sistem. Dataset yang digunakan terdiri atas 518 citra produk, yaitu 176 citra Part OK dan 342 citra Part NG, dengan tiga kelas cacat yang menjadi fokus deteksi, yaitu black spot, dent, dan scratch. Hasil anotasi menghasilkan sebanyak 2.173 instances objek cacat. Berdasarkan hasil evaluasi terhadap data validasi, model YOLOv8n memperoleh nilai Precision sebesar 70,0%, Recall sebesar 64,7%, mAP@50 sebesar 63,3%, dan mAP@50–95 sebesar 25,1%. Kelas dent memperoleh performa terbaik dengan nilai mAP@50 sebesar 81,3%, diikuti scratch sebesar 66,7%, sedangkan black spot memperoleh nilai mAP@50 sebesar 41,9%. Hasil implementasi menunjukkan bahwa sistem mampu melakukan deteksi cacat secara real-time menggunakan kamera, menampilkan bounding box, label kelas, nilai confidence, serta status produk OK atau NG melalui antarmuka berbasis web. Pengujian implementasi menunjukkan tingkat keberhasilan sebesar 100% pada produk OK, 90% pada deteksi dent, 85% pada deteksi scratch, dan 80% pada deteksi black spot*. Sistem yang dikembangkan dapat digunakan sebagai alat bantu bagi operator Quality Control (QC) dalam melakukan inspeksi kualitas produk secara lebih cepat, konsisten, dan efisien.
Kata Kunci: computer vision, deep learning, inspeksi cacat, stamping baja, web, YOLOv8
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Faculty of Law, Arts and Social Sciences > School of Management |
| Depositing User: | Pustakawan UBP Karawang |
| Date Deposited: | 13 Nov 2026 06:10 |
| Last Modified: | 13 Nov 2026 06:10 |
| URI: | http://repository.ubpkarawang.ac.id/id/eprint/7011 |
