Text

SKRIPSI IMPLEMENTASI MACHINE LEARNING PADA DETEKSI KECACATAN PRINTED CIRCUIT BOARD

---

INTISARI
Kualitas suatu rangkaian elektronik sangat bergantung pada kualitas Printed Circuit Board (PCB) yang mendukung operasinya. Namun, inspeksi manual terhadap kecacatan pada PCB memiliki keterbatasan dalam ketelitian dan waktu. Berdasarkan permasalahan tersebut maka penulis melakukan penelitian mengenai implementasi Machine Learning pada deteksi kecacatan pada PCB. Dalam pengaplikasiannya, algoritma machine learning yang digunakan yaitu algoritma objek deteksi You Look Only Once versi 5 (YOLOv5) yang merupakan pengembangan dari convolutional neural network. Penelitian ini difokuskan untuk membangun sebuah sistem yang dapat mengidentifikasi kecacatan pada PCB dengan algoritma YOLO versi 5. Data yang digunakan yaitu sebanyak 600 gambar yang terbagi menjadi 384 data latih, 96 data validasi dan 120 data uji. Terdapat jenis kecacatan PCB yaitu diantaranya berupa open circuit, missing hole, mouse bite, short, spur, dan spurious copper. Hasil penelitian tersebut menggunakan YOLOv5 menunjukkan nilai mean Average Precission (mAP) 95,5%. Selain itu dalam pengujian menggunakan 120 data uji model mampu mendapatkan nilai akurasi 93,81% , presisi 98,22%, recall 95,24%, error 6%, dan Mean Squared Error (MSE) 0,51.
Kata kunci: Printed Circuit Board, kecacatan, Machine Learning, convolutional neural network, YOLOv5

---

Ketersediaan

9-UN57.U1-STE-I-2024

ELEKTRO MUT I 2024

Ruang Skripsi (TEKNIK ELEKTRO)

Tersedia namun tidak untuk dipinjamkan - No Loan

Informasi Detail

Judul Seri

-

No. Panggil

ELEKTRO MUT I 2024

Penerbit

MAGELANG : UNIVERSITAS TIDAR., 2024

Deskripsi Fisik

XIV;61HAL;29.5CM

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

621.38

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

PRODI_S1_TEKNIK_ELEKTRO
FAKULTAS_FT

Info Detail Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar