EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Implementasi Sistem Deteksi dan Klasifikasi Cacat Produk Berbasis Web Menggunakan Algoritma YOLOv8

Anggarini Puspita Rarasati, Wiwin Winarti

RIGGS: Journal of Artificial Intelligence and Digital Business · 30.07.2026 · 5 (2) · 21125-21132

DOI: 10.31004/riggs.v5i2.12724 ↗

Kurz gefasst

Fachartikel in der Zeitschrift RIGGS: Journal of Artificial Intelligence and Digital Business, online erschienen am 30.07.2026. Verfasst von Anggarini Puspita Rarasati und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Proses quality control pada produk metal cutting dies umumnya masih dilakukan melalui inspeksi visual secara manual, sehingga rentan terhadap ketidakkonsistenan, kelelahan, dan kesalahan manusia, terutama pada industri dengan volume produksi tinggi. Kondisi ini mendorong kebutuhan akan sistem inspeksi otomatis yang lebih cepat, objektif, dan konsisten dibandingkan pengamatan manual. Penelitian ini bertujuan mengembangkan sistem berbasis web untuk mendeteksi dan mengklasifikasikan cacat produk menggunakan algoritma YOLOv8. Pendekatan yang digunakan memanfaatkan object detection untuk mengidentifikasi area cacat pada permukaan produk, kemudian menentukan kondisi akhir produk ke dalam dua kategori yaitu defect dan non-defect berdasarkan confidence thresholding dengan ambang batas nilai confidence sebesar 50%. Tahapan penelitian meliputi studi pustaka, pengumpulan dataset, anotasi citra menggunakan platform Roboflow, pra-pemrosesan dan augmentasi data, pelatihan model, evaluasi model, perancangan antarmuka web, serta pengujian fungsional sistem secara menyeluruh. Model YOLOv8n (Nano) dilatih menggunakan dataset sebanyak ±200 gambar dengan transfer learning dari checkpoint publik MS COCO pada lingkungan komputasi berbasis CPU, dan menghasilkan nilai Precision sebesar 51,5% pada epoch terbaik ke-31, Recall sebesar 44,3%, dan mAP@0.5 sebesar 39,3%. Sistem web berbasis Flask yang dibangun mampu menampilkan bounding box pada area cacat beserta status akhir produk secara otomatis. Pengujian fungsionalitas menggunakan Black Box Testing menunjukkan seluruh skenario, baik positif maupun negatif, berhasil berjalan sesuai rencana dengan tingkat keberhasilan 100%, menegaskan bahwa pendekatan ini dapat diintegrasikan ke antarmuka sederhana tanpa latar belakang teknis kecerdasan buatan. Penelitian ini diharapkan mendukung inspeksi kualitas secara lebih cepat, konsisten, dan efisien, sekaligus menjadi dasar pengembangan lanjutan dengan dataset lebih besar dan akselerasi GPU.

Zitieren

APA

Rarasati, A. P., & Winarti, W. (2026). Implementasi Sistem Deteksi dan Klasifikasi Cacat Produk Berbasis Web Menggunakan Algoritma YOLOv8. RIGGS: Journal of Artificial Intelligence and Digital Business, 5(2), 21125-21132. https://doi.org/10.31004/riggs.v5i2.12724

Vancouver

Rarasati AP, Winarti W. Implementasi Sistem Deteksi dan Klasifikasi Cacat Produk Berbasis Web Menggunakan Algoritma YOLOv8. RIGGS: Journal of Artificial Intelligence and Digital Business. 2026;5(2):21125-21132. doi:10.31004/riggs.v5i2.12724

BibTeX
@article{Rarasati2026,
  author = {Rarasati, Anggarini Puspita and Winarti, Wiwin},
  title = {Implementasi Sistem Deteksi dan Klasifikasi Cacat Produk Berbasis Web Menggunakan Algoritma YOLOv8},
  journal = {RIGGS: Journal of Artificial Intelligence and Digital Business},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {21125--21132},
  doi = {10.31004/riggs.v5i2.12724}
}
Kostenlos starten →