Implementasi jaringan syaraf tiruan sebagai pendeteksi kecacatan pada Printed Circuit Board (PCB)

Abstract

Abstract—Papan sirkuit cetak (Printed Circuit Board/PCB) merupakan komponen vital pada perangkat elektronik modern, namun proses manufakturnya rentan menimbulkan cacat seperti open circuit, short, spur, dan mouse bite. Keterbatasan metode inspeksi visual manual dalam hal konsistensi dan efisiensi mendorong kebutuhan akan sistem inspeksi otomatis yang andal. Penelitian ini menerapkan sistem deteksi cacat otomatis pada PCB menggunakan model berbasis arsitektur Convolutional Neural Network (CNN), yaitu You Only Look Once versi 8 (YOLOv8). Dengan menggunakan dataset citra PCB yang telah dianotasi, model dilatih dengan teknik augmentasi data dan dievaluasi kinerjanya menggunakan metrik Precision, Recall, F1-Score, serta analisis visual. Hasil pengujian menunjukkan bahwa model yang dikembangkan mencapai kinerja yang baik dengan akurasi keseluruhan 99,5%, Precision 100%, Recall 99,2%, dan F1-Score 99,5%. Analisis lebih lanjut juga mengindikasikan kemampuan model untuk mendeteksi cacat berukuran kecil yang dominan di area tengah PCB. Hasil ini menunjukkan bahwa pendekatan yang diterapkan mampu memberikan deteksi yang cepat, akurat, dan konsisten, sehingga berpotensi besar untuk diimplementasikan pada sistem kontrol kualitas di industri manufaktur elektronik.