Deteksi dan Identifikasi Nilai Resistor Berdasarkan Gelang Warna Menggunakan Model YOLOv8 pada Aplikasi Android

Muflikhul Ammar, Prof. Drs. Agus Harjoko, M.Sc., Ph.D.

2026 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Pembacaan nilai resistor melalui kode warna secara manual rawan kesalahan akibat keterbatasan pencahayaan, refleksi permukaan, dan ukuran gelang yang kecil. Penelitian ini mengembangkan sistem deteksi dan identifikasi nilai resistor axial empat gelang berbasis model YOLOv8n yang diintegrasikan ke dalam aplikasi Android, dengan nilai resistansi dihitung menggunakan tabel kode warna sesuai standar IEC 60062.

Dataset berisi 3.308 citra primer dari 19 nilai resistor yang dipotret pada variasi pencahayaan (150–1.000 lux, diatur dengan lampu LED AOKI Ironedge), sudut (0° hingga ±45°), latar belakang, dan jarak (5–30 cm), dengan tiap gelang warna dianotasi ke dalam 12 kelas menggunakan Roboflow. Model YOLOv8n dilatih melalui transfer learning dari bobot pra-latih COCO pada GPU NVIDIA RTX 3090, sedangkan tahap pascadeteksi mengurutkan gelang berdasarkan koordinat x, menentukan arah baca melalui posisi gelang toleransi emas, dan mengonversinya menjadi nilai resistansi menggunakan tabel kode warna IEC 60062. Sistem dievaluasi secara offline maupun real-time pada dua perangkat Android.

Model mencapai mAP@0.5 sebesar 99,40?n akurasi identifikasi nilai 94,56% pada subset uji. Akurasi nilai tetap stabil pada 98,15–99,54% lintas kondisi pencahayaan; jarak pengambilan menjadi faktor paling berpengaruh (99,79% pada 5–10 cm, turun ke 96,59% pada 25–30 cm). Waktu inferensi rata-rata 229,7 ms (4,4 FPS) pada POCO X3 Pro dan 676,4 ms (1,5 FPS) pada Samsung Galaxy A14.

Manual reading of resistor values through color codes is prone to errors caused by limited lighting, surface reflections, and the small size of the bands. This research develops a YOLOv8n-based detection and identification system for four-band axial resistor values, integrated into an Android application, with resistance computed using the color-code table defined in the IEC 60062 standard.

The dataset contains 3,308 primary images of 19 resistor values captured under varying lighting conditions (150–1,000 lux, controlled with an AOKI Ironedge LED lamp), angles (0° to ±45°), backgrounds, and distances (5–30 cm), with each color band annotated into 12 classes using Roboflow. The YOLOv8n model was trained via transfer learning from pre-trained COCO weights on an NVIDIA RTX 3090 GPU, while post-processing orders the bands by their x-coordinate, determines the reading direction from the gold tolerance band's position, and converts the result to a resistance value using the IEC 60062 color-code table. The system was evaluated offline and in real time on two Android devices.

The model achieves a mAP@0.5 of 99.40% and a value-identification accuracy of 94.56% on the test subset. Value accuracy remains stable at 98.15–99.54?ross lighting conditions; capture distance is the most influential factor (99.79% at 5–10 cm, dropping to 96.59% at 25–30 cm). Average inference time is 229.7 ms (4.4 FPS) on a POCO X3 Pro and 676.4 ms (1.5 FPS) on a Samsung Galaxy A14.

Kata Kunci : resistor, kode warna, YOLOv8, deteksi objek, Android, IEC 60062