Deteksi dan Klasifikasi Kecacatan pada Terminal Crimp Menggunakan Deep Learning Berbasis YOLO V11

Abstract

Terminal crimp merupakan komponen penting pada sistem kelistrikan yang berfungsi sebagai penghubung antara kabel dan perangkat listrik, sehingga kualitas proses crimping harus dijaga dengan baik. Namun, proses inspeksi kualitas terminal crimp masih banyak dilakukan secara manual, sehingga berpotensi menimbulkan kesalahan akibat subjektivitas manusia serta keterbatasan kecepatan inspeksi. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi dan klasifikasi kecacatan terminal crimp secara otomatis dan real-time menggunakan metode deep learning berbasis You Only Look Once (YOLO) Version 11. Sistem ini dirancang untuk mendeteksi dan mengklasifikasikan empat kondisi terminal crimp, yaitu Good, Over Crimp, Missing Strand, dan Short Crimp, berdasarkan citra visual yang ditangkap oleh kamera. Dataset yang digunakan terdiri dari citra terminal crimp yang telah dianotasi dan dibagi ke dalam data training, validation, dan testing. Evaluasi performa model dilakukan menggunakan confusion matriks serta metrik evaluasi berupa accuracy, precision, recall, dan F1-score, baik pada data uji maupun pengujian real-time. Hasil pengujian real-time sebanyak 25 kali untuk setiap kelas menunjukkan bahwa sistem mampu mencapai akurasi sebesar 94%, dengan jumlah prediksi benar masing-masing kelas yaitu 23 data Good, 23 data Over Crimp, 25 data Missing Strand, dan 23 data Short Crimp. Nilai precision, recall, dan F1-score pada seluruh kelas berada pada kategori tinggi, yang menunjukkan bahwa model mampu melakukan klasifikasi dengan tingkat kesalahan yang rendah dan konsisten.