INTEGRASI YOLOV12 DAN KONVEYOR BELT UNTUK MENDETEKSI DAN MENYORTIR KERUSAKAN KALENG CAT SECARA OTOMATIS

Penelitian ini bertujuan mengembangkan sistem otomasi inspeksi dan penyortiran
kerusakan kaleng cat berbasis integrasi visi komputer dan konveyor belt untuk
meningkatkan efisiensi serta konsistensi quality control di industri. Sistem yang
dikembangkan menggabungkan model deep learning dengan mekanisme konveyor
dan aktuator, sehingga mampu melakukan proses deteksi dan penyortiran secara
otomatis dalam satu alur kerja terintegrasi. Metode yang digunakan meliputi
perancangan sistem mekanikal konveyor, integrasi rangkaian elektronik, serta
pengembangan model deteksi objek menggunakan YOLOv12 dengan konfigurasi
multi-kamera untuk meminimalkan blind spot. Dataset yang digunakan berjumlah
1.209 citra, yang dibagi menjadi 70% data training (847 citra), 20% data validation
(241 citra), dan 10% data testing (121 citra), serta melalui proses augmentasi untuk
meningkatkan robustness model. Evaluasi dilakukan menggunakan metrik
precision, recall, F1-score, dan mAP, serta pengujian sistem secara end-to-end
berdasarkan parameter akurasi sortir, latency, dan throughput pada berbagai kondisi
pencahayaan dan kecepatan konveyor. Hasil penelitian menunjukkan bahwa model
deteksi memiliki kinerja yang sangat baik dengan nilai precision sebesar 0,98,
recall sebesar 0,96, F1-score sebesar 0,97, dan mAP50–95 sebesar 0,96. Selain itu,
sistem yang dikembangkan mampu mengintegrasikan visi komputer dengan
mekanisme konveyor belt dan aktuator secara fungsional, sehingga proses deteksi
dan penyortiran kaleng cat dapat dilakukan secara otomatis.