Tesis ini membahas peningkatan deteksi dan lokalisasi cacat industri berbasis citra menggunakan deep learning dan clustering. Penelitian ini mengusulkan pendekatan baru dengan menambahkan augmentasi data dan foreground estimation branch, serta modifikasi metode seleksi template menggunakan agglomerative clustering pada model hardnormal example template mutual matching untuk mengatasi keterbatasan metode berbasis template yang bergantung pada variasi template dan seringkali mendeteksi anomali pada background. Hasil pengujian pada dataset MVTEC AD menunjukkan bahwa pendekatan yang diusulkan berhasil meningkatkan performa model dalam klasifikasi dan lokalisasi anomali, serta mempercepat proses seleksi template secara signifikan.