Fariza, Daffa Maulana (2025) RANCANG BANGUN SISTEM DETEKSI KECACATAN PRODUK BERBAHAN LOGAM BERBASIS IMAGE PROCESSING DENGAN RASPBERRY PI 5 PADA LENGAN ROBOT. Undergraduate thesis, Universitas Diponegoro.

	Text Daffa Maulana Fariza_40040321650019_Teknologi Rekayasa Otomasi_TA.pdf - Published Version Restricted to Repository staff only Download (5MB) | Request a copy
	Text COVER_Daffa Maulana Fariza_40040321650019_Teknologi Rekayasa Otomasi_TA.pdf - Published Version Download (762kB)
	Text BAB 1_Daffa Maulana Fariza_40040321650019_Teknologi Rekayasa Otomasi_TA.pdf - Published Version Download (223kB)
	Text BAB 2_Daffa Maulana Fariza_40040321650019_Teknologi Rekayasa Otomasi_TA.pdf - Published Version Download (930kB)
	Text BAB 3_Daffa Maulana Fariza_40040321650019_Teknologi Rekayasa Otomasi_TA.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text BAB 4_Daffa Maulana Fariza_40040321650019_Teknologi Rekayasa Otomasi_TA.pdf - Published Version Download (1MB)
	Text BAB 5_Daffa Maulana Fariza_40040321650019_Teknologi Rekayasa Otomasi_TA.pdf - Published Version Download (228kB)
	Text DAPUS_Daffa Maulana Fariza_40040321650019_Teknologi Rekayasa Otomasi_TA.pdf - Published Version Download (199kB)
	Text LAMPIRAN_Daffa Maulana Fariza_40040321650019_Teknologi Rekayasa Otomasi_TA.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Pertumbuhan sektor manufaktur Indonesia pada tahun 2025 yang ditunjukkan oleh PMI sebesar 51,9, kenaikan Indeks Penjualan Riil 1,0%, serta IKK pada level 127,7 meningkatkan kebutuhan sistem quality control otomatis yang cepat dan akurat. Penelitian ini merancang sistem deteksi kecacatan hollow galvanis steel berbasis image processing menggunakan Raspberry Pi 5 dan model YOLOv8n. Dataset terdiri dari 898 citra dengan 13.807 bounding box yang dilatih di Google Colab hingga mencapai mAP50 sebesar 0,90 dan mAP50–95 sebesar 0,52. Optimalisasi sistem dilakukan melalui konversi model ke NCNN, penerapan Region of Interest (ROI) 3×1, serta infer interval 0,2 detik, yang meningkatkan performa dari 3,35 FPS menjadi 10,55 FPS (↑214%) dan menurunkan false detection dari 47,5% menjadi 27,5%. Sistem mampu mengklasifikasikan kecacatan scratch, brush marks, dan chipping dengan konsistensi status Layak dan Cacat sebesar 83,33%
berdasarkan ambang batas kecacatan ≥ 1. Pengujian menunjukkan suhu CPU Raspberry Pi 5 stabil pada kisaran 50–57°C tanpa thermal throttling, latensi komunikasi UART sekitar 15 ms, serta dukungan Auto Run, integrasi lengan robot, dan konfigurasi Raspberry Pi 5 sebagai access point dengan kemampuan internet sharing untuk mendukung monitoring dan pengoperasian sistem secara mandiri.

Actions (login required)

View Item