<![CDATA[Proses quality control (QC) pada industri manufaktur umumnya bergantung pada inspeksi visual manual yang rentan terhadap kelelahan dan subjektivitas manusia. Pendekatan berbasis deep learning konvensional memerlukan dataset berlabel dalam jumlah besar serta proses pelatihan model yang memakan waktu dan biaya. Penelitian ini merancang arsitektur sistem berbasis aplikasi web yang memanfaatkan Vision Language Model (VLM) siap pakai, khususnya GPT-4o Vision, untuk mengklasifikasikan cacat produk secara otomatis tanpa memerlukan proses pelatihan dataset. Metode yang digunakan adalah zero-shot visual reasoning melalui pendekatan zero-shot inference berbasis deskripsi tekstual. Sistem dirancang menggunakan three-tier architecture yang mencakup antarmuka pengguna berbasis web, lapisan logika bisnis, dan integrasi API VLM. Evaluasi kelayakan konseptual dilakukan melalui analisis komparatif, skenario use-case, dan matriks risiko sistem. Hasil perancangan menunjukkan bahwa pendekatan ini mampu mengurangi kebutuhan anotasi data, mempercepat deployment, dan menghasilkan output klasifikasi yang dapat dijelaskan. Penelitian ini memberikan kontribusi berupa blueprint perancangan sistem QC berbasis VLM sebagai acuan implementasi di lingkungan industri]]>
Copyrights © 2026
