Perancangan Sistem Deteksi Defect Sepatu Menggunakan YOLOv26n di PT Tah Sung Hung Brebes
DOI:
https://doi.org/10.31004/edp.v3i1.214Keywords:
ComputerAbstract
Persaingan pasar ekspor menuntut industri manufaktur alas kaki, seperti PT Tah Sung Hung di Brebes, menjaga standar kualitas produk yang tinggi. Namun, inspeksi cacat secara manual rentan menimbulkan ketidakstabilan akibat kelelahan operator. Penelitian ini bertujuan merancang dan menguji sistem deteksi cacat sepatu berbasis computer vision menggunakan arsitektur YOLOv26n. Model ini memiliki keunggulan inferensi bebas Non-Maximum Suppression (NMS-free) sehingga efisien diterapkan pada perangkat edge di lini produksi.Pengujian dilakukan menggunakan dataset citra simulasi yang mencakup lima jenis cacat: jahitan lepas, lem berlebih, sol tidak simetris, goresan permukaan, dan noda. Model dilatih dengan ukuran citra 640×640 piksel selama 150 epoch. Hasil evaluasi menunjukkan performa dengan rata-rata precision 0,90, recall 0,87, mAP@0.5 sebesar 0,91, dan mAP@0.5:0.95 sebesar 0,71, serta waktu inferensi rata-rata 8,4 ms per citra pada GPU.Secara keseluruhan, arsitektur YOLOv26n berpotensi sebagai solusi deteksi cacat sepatu yang cepat dan akurat. Kendati demikian, validasi lanjutan menggunakan data produksi riil tetap diperlukan sebelum sistem diimplementasikan secara operasional di PT Tah Sung Hung Brebes.
References
Akhyar, F., Novamizanti, L., & Riantiarni, T. (2022). Sistem Inspeksi Cacat pada Permukaan Kayu menggunakan Model Deteksi Obyek YOLOv5. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 10(4), 990. https://doi.org/10.26760/elkomika.v10i4.990
Caesarriani, C. (2025). Analisis Kualitas untuk Mengurangi Defect Produk Sepatu dengan Metode Statistical Process Control dan Root Cause Analysis di PT XYZ. Jurnal Logic: Logistics & Supply Chain Center, 3(2), 78–86. https://doi.org/10.33197/jlscc.v3i2.2488
Jocher, G., Chaurasia, A., & Qiu, J. (2023). Ultralytics YOLOv8 (Version 8.0.0) [Software]. https://github.com/ultralytics/ultralytics
Li, Y., Huang, H., Xie, Q., & Yao, L. (2021). Research on shoe upper defect detection algorithm based on improved deep learning. IEEE Access, 9, 122415-122425.
P. Hidayatullah dan R. Tubagus, “YOLO26: A Comprehensive Architecture Overview and Key Improvements,” arXiv preprint arXiv:2602.14582, 2026.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788.
Sapkota, R., Cheppally, R. H., Sharda, A., & Karkee, M. (2025). YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection. arXiv preprint arXiv:2509.25164.
Sapkota, R., & Karkee, M. (2025). Ultralytics YOLO Evolution: An Overview of YOLO26, YOLO11, YOLOv8, and YOLOv5 Object Detectors for Computer Vision and Pattern Recognition. arXiv preprint arXiv:2510.09653.
Terven, J., & Cordova-Esparza, D. (2023). A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Machine Learning and Knowledge Extraction, 5(4), 1680–1716.
Wang, C.-Y., Bochkovskiy, A., & Liao, H.-Y. M. (2023). YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 7464–7475.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Journal of Exploratory Dynamic Problems
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
