Implementasi Koreksi Posisi Otomatis Berbasis YOLOv8 dan FINS pada Trainer PLC Plant XYZ

Abstract

Manipulator pneumatik pada trainer Plant XYZ bekerja secara sekuensial tanpa umpan balik visual sehingga bersifat kaku dan gagal mengakomodasi variasi posisi maupun jenis objek. Penelitian ini merancang dan mengimplementasikan sistem kendali cerdas yang mengintegrasikan Computer Vision dan Machine Learning pada trainer PLC Plant XYZ. Raspberry Pi 4 menjalankan model YOLOv8 untuk mendeteksi dan mengklasifikasikan objek bulat dan kotak secara real-time, dibantu OpenCV untuk pra-pemrosesan citra. Hasil klasifikasi dan zona kerja ditransmisikan ke PLC Omron CP1H melalui protokol FINS UDP/TCP menggunakan mekanisme handshaking berbasis bit pada Work Area sebagai pengganti transfer koordinat numerik, sehingga PLC dapat mengeksekusi logika Ladder untuk menggerakkan manipulator pneumatik tiga sumbu. Sistem dikembangkan melalui metode Waterfall dan divalidasi melalui pengujian simulasi serta sepuluh sesi pengujian aktual lapangan. Model YOLOv8 mencapai mAP50 sempurna 100 persen dengan precision 99,1 persen dan recall 100 persen pada validation set, serta tanpa misklasifikasi pada 283 siklus deteksi aktual. Komunikasi FINS terbukti andal dengan tingkat keberhasilan 96,5 persen dari 1.662 perintah, sementara mekanisme koreksi posisi otomatis sebagai tujuan utama penelitian berhasil divalidasi dengan tingkat keberhasilan 94,6 persen dari 111 operasi koreksi nyata. Hasil ini membuktikan bahwa integrasi visi komputer dan kendali PLC berhasil mentransformasi proses pick-and-place Plant XYZ dari sistem statis menjadi sistem adaptif yang mampu mendeteksi, mengklasifikasikan, dan mengoreksi penempatan benda kerja secara mandiri.

GS Cited Analysis