Implementasi Deep Learning Berbasis Citra Digital untuk Deteksi Kerusakan Komponen Elektronik

Abstract

Kerusakan komponen elektronik seperti retak, terbakar, dan korosi dapat menurunkan kinerja perangkat serta meningkatkan risiko kegagalan sistem. Proses identifikasi kerusakan secara manual masih bergantung pada ketelitian teknisi sehingga membutuhkan waktu lama dan rentan terhadap subjektivitas. Penelitian ini bertujuan mengimplementasikan model deep learning berbasis citra digital untuk mendeteksi kondisi komponen elektronik secara otomatis. Metode penelitian menggunakan pendekatan eksperimen komputasional melalui tahapan pengumpulan citra, anotasi kelas, pra-pemrosesan, augmentasi data, pelatihan model, evaluasi, dan implementasi prototipe. Dataset yang digunakan terdiri atas 1.200 citra komponen elektronik dengan empat kelas, yaitu normal, terbakar, retak, dan korosi. Model MobileNetV2 berbasis transfer learning digunakan sebagai arsitektur utama dengan ukuran input 224x224 piksel. Hasil pengujian menunjukkan model memperoleh akurasi 95,56%, precision 95,71%, recall 95,56%, dan F1-score 95,58%. Pengujian blackbox pada prototipe menunjukkan seluruh fungsi utama berjalan valid. Hasil ini menunjukkan bahwa deep learning berbasis citra digital dapat digunakan sebagai solusi awal untuk membantu deteksi kerusakan komponen elektronik secara cepat, konsisten, dan objektif