Pengembangan Prototipe Sistem inspeksi Papan Sirkuit Cetak Berbasis Visual Menggunakan Deep Neural Network

Abstract

Inspeksi kualitas pada Printed Circuit Board (PCB) krusial dalam industri elektronik, namun deteksi cacat kecil menjadi tantangan. Penelitian ini bertujuan mengembangkan sistem inspeksi visual otomatis berbasis Deep Neural Network (DNN) untuk PCB, dengan fokus pada peningkatan deteksi objek kecil dan antarmuka pengguna (GUI) interaktif. Metodologi melibatkan evaluasi model Faster R-CNN, RetinaNet, dan YOLOv11n pada dataset PCB manual. Model YOLOv11n terpilih sebagai basis sistem karena kinerja optimalnya, mencapai mAP@0.5 sebesar 0.890 dengan ukuran model hanya 5.2 MB dan kecepatan inferensi rata-rata ~4.33 FPS. Untuk meningkatkan identifikasi cacat kecil, teknik Slicing Aided Hyper Inference (SAHI) diintegrasikan dengan YOLOv11n. Analisis kualitatif visual menunjukkan bahwa SAHI meningkatkan kemampuan sistem untuk mendeteksi sejumlah cacat kecil yang sebelumnya terlewat oleh model standar. Sistem ini diimplementasikan dengan GUI berbasis Streamlit untuk mempermudah pengoperasioan dan analisis.