Deteksi dan Klasifikasi Defect Pada Chip On Board (COB) Menggunakan Metode Faster RCNN dan YOLOv8

Abstract

Deteksi defect pada Chip On Board (COB) merupakan salah satu proses krusial dalam industri manufaktur elektronik, terutama di Teaching Factory Manufacture and Electronics (TFME) Polibatam. Metode inspeksi konvensional masih memiliki keterbatasan, seperti ketergantungan pada operator yang dapat menyebabkan inkonsistensi serta kesalahan deteksi akibat kelelahan. Penelitian ini bertujuan untuk menggembangkan perangkat software yang terintegrasi dengan kamera webcam sebagai media input visual dengan membandingkan performa dua metode, yaitu Faster R-CNN dan YOLOv8, dalam mendeteksi dan mengklasifikasikan defect pada COB. Metode penelitian meliputi pengumpulan dataset berkualitas tinggi menggunakan mikroskop digital Keyence, preprocessing, serta pelatihan model yang menerapkan skenario eksperimental variasi jumlah epoch dan ukuran citra. Pengujian dilakukan untuk mencari titik konvergensi optimal antara akurasi dan efisiensi komputasi. Berdasarkan hasil eksperimen, konfigurasi pelatihan dengan 100 epoch dan ukuran citra 640x640 ditetapkan sebagai konfigurasi terbaik. Pemilihan ini didasarkan pada capaian stabilitas model yang maksimal, di mana konfigurasi tersebut menghasilkan akurasi tertinggi tanpa mengalami penurunan performa Recall yang terindikasi muncul pada pelatihan dengan jumlah epoch yang lebih. Berdasarkan hasil pengujian, terdapat perbedaan performa antara kedua arsitektur, di mana model YOLOv8 menunjukkan keunggulan dibandingkan Faster R-CNN. Model YOLOv8 mencapai nilai [email protected] sebesar 97%, sedangkan Faster R-CNN mencatatkan nilai 94%. Selain keunggulan akurasi, YOLOv8 juga mencatatkan nilai Recall yang lebih baik, yang mengindikasikan sensitivitas tinggi dalam mengidentifikasi produk cacat sehingga risiko lolosnya produk defect (False Negative) dapat diminimalisir.