Peningkatan Kinerja Conveyor Cerdas untuk Deteksi Cacat pada Proses Pelat Aluminium Menggunakan Algoritma YOLOv8

Pelanggan menuntut produk berkualitas tinggi dan mendorong industri manufaktur untuk memproduksi barang tanpa cacat. Namun, kompleksitas proses produksi, jadwal ketat, serta pemantauan aktivitas produksi menjadi hambatan. Inspeksi otomatis berbasis penglihatan mengurutkan produk berdasarkan fitur penglihatan untuk menentukan kualitas. Dibandingkan metode manual atau konvensional, deteksi cacat otomatis lebih akurat dan efisien. Beberapa produk memerlukan inspeksi visual yang lebih rumit karena faktor kompleksitas, perubahan permukaan, dan keterbatasan sistem inspeksi konvensional. Penelitian ini bertujuan mengoptimalkan sistem deteksi cacat pada pelat aluminium menggunakan image processing melalui webcam dengan algoritma YOLOv8 untuk deteksi real-time di atas conveyor. Sistem ini dilengkapi motor servo sebagai separator dan antarmuka pengguna (User Interface) untuk controlling dan monitoring. Pada dataset dilakukan pembaruan dan menerapkan pencahayaan yang lebih baik agar lebih akurat, lebih presisi, dan training dataset lebih optimal. Pada UI dilakukan pembaruan agar lebih detail dan mudah digunakan oleh operator. Hasil penelitian ini menunjukkan penurunan rata-rata error perhitungan luas pelat aluminium dari 1,45% menjadi 0,47% (penurunan 67,59%) dan perhitungan luas cacat pelat aluminium dari 1,76% menjadi 1,19% (penurunan 32,39%). Sistem ini mampu mendeteksi cacat dengan lebih baik pada permukaan reflektif seperti cacat goresan (scratch) dan cacat penyok (dent). Penambahan parameter deteksi cacat, pembaruan dataset terhadap training dataset, dan pencahayaan yang baik ketika proses deteksi cacat terbukti menurunkan nilai error hasil pengujian serta meningkatkan akurasi dan efektivitas sistem deteksi cacat pada proses quality control produk.