Brahmantya, Yohanes Krisostomus (2026) KLASIFIKASI KERUSAKAN PRINTED CIRCUIT BOARD MENGGUNAKAN YOLO DENGAN VALIDASI BERBASIS ANALISIS MORFOLOGI. S1 thesis, UNIVERSITAS ATMA JAYA YOGYAKARTA.
210711282_Bab 0.pdf
File Pdf (1MB)
210711282_Bab 1.pdf
File Pdf (671kB)
210711282_Bab 2.pdf
File Pdf (1MB)
210711282_Bab 3.pdf
Restricted to Registered users only
File Pdf (1MB)
210711282_Bab 4.pdf
Restricted to Registered users only
File Pdf (1MB)
210711282_Bab 5.pdf
Restricted to Registered users only
File Pdf (1MB)
210711282_Bab 6.pdf
File Pdf (801kB)
Abstract
Tujuan Penelitian
Penelitian ini bertujuan mengembangkan sistem klasifikasi kerusakan jalur
Printed Circuit Board (PCB) yang mampu mendeteksi, mengklasifikasikan, dan
memvalidasi hasil klasifikasi berdasarkan karakteristik geometris jalur PCB.
Penelitian ini dilatarbelakangi oleh keterbatasan pendekatan deep learning yang
hanya mengandalkan karakteristik visual sehingga berpotensi menghasilkan
kesalahan klasifikasi pada kerusakan dengan bentuk serupa.
Metode Penelitian
Penelitian menggunakan model YOLOv11 sebagai metode deteksi dan
klasifikasi awal kerusakan PCB. Dataset PCB Defects dikembangkan melalui
proses cropping dan penyesuaian tingkat kecerahan sehingga menghasilkan 12,326
citra pelatihan. Hasil deteksi kemudian disegmentasi menggunakan U-Net dan
diverifikasi melalui analisis berbasis morfologi menggunakan teknik
skeletonization dan rule-based. Integrasi dilakukan dalam aplikasi berbasis
Streamlit.
Hasil Penelitian
Hasil penelitian menunjukkan bahwa model YOLOv11 mampu
mengklasifikasikan enam jenis kerusakan PCB dengan performa yang baik
berdasarkan metrik Precision, Recall, mAP@50, dan mAP@50-95. Model U-Net
menghasilkan segmentasi dengan nilai Pixel Accuracy sebesar 94.40%, Mean IoU
sebesar 67.02%, dan Mean Dice sebesar 70.78%, sehingga mampu menghasilkan
representasi jalur PCB yang mendukung proses analisis morfologi. Mekanisme
verifikasi berbasis analisis morfologi berhasil memberikan validasi terhadap hasil
klasifikasi dengan memanfaatkan karakteristik struktur jalur PCB yang dapat
dijelaskan secara logis.
Implikasi dan Limitasi Penelitian
Penelitian ini menunjukkan bahwa kombinasi klasifikasi berbasis deep
learning dan verifikasi berbasis analisis morfologi mampu meningkatkan
interpretabilitas proses klasifikasi kerusakan PCB serta memberikan dasar pengambilan keputusan yang lebih mudah dipahami. Namun demikian, penelitian
masih menggunakan dataset sintetis dan mekanisme rule-based yang disusun secara
manual untuk enam jenis kerusakan, sehingga pengembangan lebih lanjut diperlukan agar sistem mampu beradaptasi pada kondisi PCB nyata dan karakteristik kerusakan yang lebih beragam.
| Item Type: | Thesis (S1) |
|---|---|
| Uncontrolled Keywords: | Printed Circuit Board (PCB), YOLO, U-Net, Analisis Morfologi, Klasifikasi |
| Subjects: | Teknik Informatika > Soft Computing |
| Divisions: | Fakultas Teknologi Industri > Teknik Informatika |
| Date Deposited: | 20 Nov 2026 06:44 |
| Last Modified: | 20 Nov 2026 06:44 |
| URI: | https://repository.uajy.ac.id/id/eprint/38260 |
