<![CDATA[Proses quality control pada produk metal cutting dies umumnya masih dilakukan melalui inspeksi visual secara manual, sehingga rentan terhadap ketidakkonsistenan, kelelahan, dan kesalahan manusia, terutama pada industri dengan volume produksi tinggi. Kondisi ini mendorong kebutuhan akan sistem inspeksi otomatis yang lebih cepat, objektif, dan konsisten dibandingkan pengamatan manual. Penelitian ini bertujuan mengembangkan sistem berbasis web untuk mendeteksi dan mengklasifikasikan cacat produk menggunakan algoritma YOLOv8. Pendekatan yang digunakan memanfaatkan object detection untuk mengidentifikasi area cacat pada permukaan produk, kemudian menentukan kondisi akhir produk ke dalam dua kategori yaitu defect dan non-defect berdasarkan confidence thresholding dengan ambang batas nilai confidence sebesar 50%. Tahapan penelitian meliputi studi pustaka, pengumpulan dataset, anotasi citra menggunakan platform Roboflow, pra-pemrosesan dan augmentasi data, pelatihan model, evaluasi model, perancangan antarmuka web, serta pengujian fungsional sistem secara menyeluruh. Model YOLOv8n (Nano) dilatih menggunakan dataset sebanyak ±200 gambar dengan transfer learning dari checkpoint publik MS COCO pada lingkungan komputasi berbasis CPU, dan menghasilkan nilai Precision sebesar 51,5% pada epoch terbaik ke-31, Recall sebesar 44,3%, dan mAP@0.5 sebesar 39,3%. Sistem web berbasis Flask yang dibangun mampu menampilkan bounding box pada area cacat beserta status akhir produk secara otomatis. Pengujian fungsionalitas menggunakan Black Box Testing menunjukkan seluruh skenario, baik positif maupun negatif, berhasil berjalan sesuai rencana dengan tingkat keberhasilan 100%, menegaskan bahwa pendekatan ini dapat diintegrasikan ke antarmuka sederhana tanpa latar belakang teknis kecerdasan buatan. Penelitian ini diharapkan mendukung inspeksi kualitas secara lebih cepat, konsisten, dan efisien, sekaligus menjadi dasar pengembangan lanjutan dengan dataset lebih besar dan akselerasi GPU.]]>
Copyrights © 2026
