Perpustakaan Digital ITB

Lembaran baja cold-rolled memiliki peran penting dalam industri, namun deteksi cacat permukaannya yang masih manual cenderung tidak efisien dan rawan kesalahan. Penelitian ini mengembangkan sistem deteksi cacat secara otomatis, akurat, dan real-time menggunakan model YOLO11. Evaluasi terhadap kombinasi model (YOLO11n, YOLO11s), optimizer (AdamW, SGD), dan learning rate menunjukkan bahwa jenis optimizer tidak berpengaruh signifikan, selama learning rate tidak terlalu besar. Nilai learning rate 5E-2 menyebabkan pelatihan gagal konvergen, sementara konfigurasi terbaik mencapai mAP50 sebesar 87,73% dan F1-score 85,11%. Model YOLO11n pada komputer uji kedua mencapai kecepatan inferensi tertinggi dengan median 60,58. Pada deteksi anomali, YOLO11n mencatat area irisan tertinggi sebesar 84,76%. Proses clustering menggunakan ViT dan HDBSCAN berhasil mengelompokkan subkelas cacat secara otomatis berdasarkan kemiripan visual. Sistem ini telah diimplementasikan dalam aplikasi desktop dan menunjukkan potensi sebagai solusi inspeksi baja cold-rolled di industri.