<![CDATA[Identifikasi cacat label komponen pada keping Printed Circuit Board (PCB) merupakan bagian tak terpisahkan dari pengawasan fabrikasi dan merupakan kendali kualitas hasil produksi. Tuntutan dunia kerja produksi yang cepat dan akurat, maka dibutuhkan sistem inspeksi secara otomatis untuk mendeteksi label komponen pada keping PCB. Hilangnya label komponen pada keping PCB dapat membuat kurangnya pemasangan komponen pada PCB tersebut yang akan menghasilkan menurunnya performa dari keping PCB tersebut. Tujuan penelitian ini untuk membuktikan dan membandingkan kecepatan, keakuratan dan keistimewaan antara Back Propagation Neural Network dan Self Organizing Map yang dapat digunakan dalam Automated Visual Inspection System pada deteksi label komponen pada keping PCB. Label yang diklasifikasikan ada tiga jenis yaitu Resistor, Capasitor dan Elco (Electrolit Condensator). Pada penelitian ini diusulkan suatu pengembangan metode dan membangun suatu prototype pada identifikasi cacat keping PCB menggunakan penggabungan metode pengolahan citra dengan backpropagation dan self organizing map sebagai klasifikasinya. Algoritma pelatihan menggunakan backpropagation dengan best validation performance adalah 1.6084e-018 pada epoch 188 dilakukan pengujian menggunakan 15 data diperoleh tingkat akurasi jaringan sekitar 96.67%. Sedangkan algoritma pelatihan menggunakan self organizing map dengan 100 iterasi diperoleh tingkat akurasi jaringan sekitar 86.67%.]]>
