Khairul Umam Albi Primary Author mixed material bibliography Banda Aceh Fakultas MIPA Informatika 2024

Skripsi

Teknologi elektronik saat ini berkembang dengan sangat cepat, di mana salah satunya adalah kemajuan teknologi pada Printed Circuit Boards (PCB) atau papan sirkuit cetak. PCB merupakan komponen fundamental dalam hampir semua perangkat elektronik modern. Kecacatan pada PCB dapat terjadi baik dalam proses produksi maupun saat perangkat tersebut sedang beroperasi, sering kali menyebabkan gangguan pada fungsi perangkat. Metode inspeksi kecacatan secara manual yang mengandalkan kemampuan manusia untuk meneliti satu per satu cetakan komponen PCB tidak lagi efektif. Oleh karena itu, saat ini diperlukan solusi yang lebih efisien dan otomatis dalam proses inspeksi ini. Penelitian ini mengembangkan model object detection dan recognition pada PCB menggunakan metode Convolutional Neural Network. Kedua model yang akan dibandingkan adalah Faster-RCNN dan Mask-RCNN pada dataset PCB. Hasil penelitian menunjukkan bahwa model Faster-RCNN dengan hyperparameter epoch 40, batch size 1, dan learning rate 1e-04 memiliki nilai IoU sebesar 79,70%, mAP sebesar 81,39%, dan accuracy sebesar 97,45%. Model Mask-RCNN dengan hyperparameter epoch 15, batch size 1, dan learning rate 1e-04 menunjukkan kinerja terbaik dengan nilai IoU sebesar 81,70%, mAP sebesar 82,02%, dan accuracy sebesar 97,96%. Model Faster-RCNN dengan skalar 800 yang telah dilakukan kuantisasi menunjukkan peningkatan performa dibandingkan dengan model tanpa kuantisasi. Ukuran model sebelum kuantisasi adalah 158 MB dengan waktu inference sebesar 1,1250 detik, sedangkan setelah kuantisasi menjadi 118 MB dengan waktu inference sebesar 1,1234 detik, sehingga model ini akan diimplementasikan ke dalam website untuk mendeteksi kecacatan pada PCB. Sehingga model Mask-RCNN menunjukkan kinerja yang lebih baik dalam mendeteksi kecacatan pada PCB dibandingkan dengan model Faster-RCNN dengan nilai IoU, mAP, dan accuracy yang lebih tinggi. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 130093 2024-09-05 01:42:52 2024-09-05 15:02:04 machine generated