IMPLEMENTASI TRANSFER LEARNING DAN CONVOLUTIONAL NEURAL NETWORK (CNN) DALAM KLASIFIKASI KUALITAS HASIL CETAK PRINTER LASER PADA PT. XYZ

Abstrak

Kualitas hasil cetakan pada printer laser menjadi aspek kritis dalam industri percetakan karena berpengaruh langsung terhadap mutu produk dan efisiensi operasional. Salah satu permasalahan utama yang sering terjadi adalah cacat cetakan akibat toner habis atau bocor, yang selama ini masih diperiksa secara manual oleh tim Quality Control (QC). Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis berbasis Convolutional Neural Network (CNN) dan pendekatan Transfer Learning untuk mendeteksi tiga kategori hasil cetak: normal, habis, dan bocor. Model ResNet50 pretrained digunakan sebagai feature extractor dan dilatih ulang (fine-tuned) dengan dataset citra hasil cetakan nyata dari PT XYZ yang diperoleh melalui proses pemindaian beresolusi tinggi. Dataset kemudian diproses dengan teknik augmentasi untuk memperluas keragaman data dan mencegah overfitting. Pelatihan model dilakukan selama 10 epoch menggunakan optimizer Adam dan learning rate sebesar 0.0001 di lingkungan Google Colab berbasis GPU. Evaluasi sistem dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa model mampu mengklasifikasikan citra dengan akurasi validasi sebesar 91,4%. Sistem selanjutnya diimplementasikan dalam aplikasi web berbasis Flask untuk pemakaian real-time oleh tim QC. Temuan ini menunjukkan potensi signifikan dalam meningkatkan efisiensi inspeksi visual dan mengurangi kesalahan manusia dalam pengawasan kualitas cetakan.