Search for collections on Undip Repository

+ Advanced search

RANCANG BANGUN SISTEM AUTOMATED OPTICAL INSPECTION BERBASIS CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI KUALITAS SOLDER PCB THT PADA LINI CONVEYOR

Darmawan, Ramadhani Yuans (2026) RANCANG BANGUN SISTEM AUTOMATED OPTICAL INSPECTION BERBASIS CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI KUALITAS SOLDER PCB THT PADA LINI CONVEYOR. Undergraduate thesis, Universitas Diponegoro.

[thumbnail of FULLBAB.pdf] Text
FULLBAB.pdf - Published Version
Restricted to Repository staff only
Download (2MB) | Request a copy
[thumbnail of COVER.pdf] Text
COVER.pdf - Published Version
Download (528kB)
[thumbnail of BAB1.pdf] Text
BAB1.pdf - Published Version
Download (245kB)
[thumbnail of BAB2.pdf] Text
BAB2.pdf - Published Version
Download (680kB)
[thumbnail of BAB3.pdf] Text
BAB3.pdf - Published Version
Restricted to Repository staff only
Download (1MB) | Request a copy
[thumbnail of BAB4.pdf] Text
BAB4.pdf - Published Version
Download (2MB)
[thumbnail of BAB5.pdf] Text
BAB5.pdf - Published Version
Download (203kB)
[thumbnail of DAFTARPUSTAKA.pdf] Text
DAFTARPUSTAKA.pdf - Published Version
Download (197kB)
[thumbnail of LAMPIRAN.pdf] Text
LAMPIRAN.pdf - Published Version
Restricted to Repository staff only
Download (795kB) | Request a copy

Abstract

Inspeksi manual sambungan solder pada Printed Circuit Board (PCB) berbasis Through-Hole Technology (THT) rentan terhadap kesalahan manusia dan inkonsistensi hasil. Penelitian ini mengembangkan sistem Automated Optical Inspection (AOI) berbasis Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 untuk klasifikasi kondisi solder secara otomatis. Sistem mengintegrasikan Raspberry Pi 5, WT32-ETH01, kamera PiCam NoIR V3, conveyor, dan aktuator ejector yang berkomunikasi melalui protokol Modbus TCP/IP. Hasil pengujian menunjukkan bahwa model MobileNetV2 berhasil
diimplementasikan pada platform embedded. Pada data uji, model memperoleh akurasi sebesar 72,59% dan F1-score sebesar 56,47%, sedangkan implementasi pada Raspberry Pi 5 menghasilkan akurasi sebesar 69,49% dan F1-score sebesar
53,90%, yang menunjukkan performa yang konsisten pada kondisi operasional. Waktu inferensi rata-rata yang diperoleh sebesar 773,16 ms. Pengujian komunikasi Modbus TCP menunjukkan tingkat keberhasilan 100% tanpa packet loss dengan latensi rata-rata 5,95–13,57 ms. Pengujian integrasi menunjukkan seluruh subsistem dapat bekerja secara terpadu sehingga sistem yang dikembangkan berpotensi mendukung otomatisasi proses inspeksi solder PCB.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Automated Optical Inspection, MobileNetV2, CNN, Solder PCB, THT, Sistem Embedded, Conveyor, Transfer Learning.
Subjects: Engineering > Electrical Engineering
Divisions: School of Vocation > Diploma in Instrumentasi and Electronics
Depositing User: Oktavia Perpus Vokasi
Date Deposited: 30 Jun 2026 07:37
Last Modified: 30 Jun 2026 07:37
URI: https://eprints2.undip.ac.id/id/eprint/55028

Actions (login required)

View Item View Item