Klasifikasi Kerusakan Pin Komponen Pada Dioda Bridge Rectifier Menggunakan Metode Faster RCNN

Abstract

Deteksi kerusakan pada komponen elektronik, khususnya dioda bridge rectifier tipe KBJ208, merupakan hal krusial dalam penjaminan kualitas manufaktur. Namun, metode inspeksi kualitas manual yang umum digunakan masih memiliki kelemahan signifikan berupa subjektivitas dan kelelahan operator. Penelitian ini bertujuan untuk membangun prototipe sistem klasifikasi otomatis kerusakan pin komponen tersebut menggunakan metode Faster Regional Convolutional Neural Network (Faster R-CNN). Metodologi yang diterapkan meliputi akuisisi citra, preprocessing distorsi lensa, pelatihan model dengan arsitektur backbone ResNet-50 melalui pendekatan transfer learning dan FPN, serta pengembangan user interface untuk memvisualisasikan hasil deteksi. Sistem dirancang untuk mengklasifikasikan kondisi pin menjadi tiga kategori: normal, bent, dan broken pada sudut pandang tegak lurus. Hasil pengujian menunjukkan bahwa konfigurasi model terbaik mampu mencapai performa deteksi yang tinggi dengan nilai mAP (Pascal VOC) sebesar 99,36%. Pada pengujian integrasi user interface, alat berhasil mencapai akurasi klasifikasi sebesar 95%. Secara spesifik, sistem terbukti sangat andal dalam mendeteksi kerusakan fatal (broken) dengan nilai recall mencapai 99%, yang mengindikasikan efektivitas sistem dalam meminimalkan risiko lolosnya komponen rusak. Dapat disimpulkan bahwa metode Faster R-CNN terbukti efektif diterapkan pada sistem inspeksi otomatis untuk objek berskala kecil (mikro) dengan presisi tinggi guna mengatasi keterbatasan visual operator dalam mengidentifikasi detail kerusakan komponen elektronik.