Salah satu material yang penting dalam dunia industri adalah baja. Dalam proses produksinya, baja dimungkinkan terjadi kecacatan. Cacat tersebut penting untuk dideteksi agar kualitas dari baja dapat terpantau dengan baik. Salah satu alternatif yang tepat yaitu melakukan deteksi cacat pada permukaan baja dengan memanfaatkan citra digital, sehingga deteksi dapat berjalan dengan cepat, efektif dan efsien. Penelitian tentang deteksi cacat pada permukaan baja sudah pernah dilakukan, tetapi belum didapatkan hasil yang maksimal.
Pada penelitian ini dirancang sebuah sistem deteksi cacat pada permukaan baja dengan metode Convolutional Neural Network (CNN) dan single-stage detection. Sistem tersebut digunakan untuk mendeteksi berbagai macam cacat pada permukaan baja, yaitu crazing, inclusion, patches, pitted surface, rolled-in scale, dan scratches. Data masukan berupa citra digital yang didapatkan dari dataset NEU-DET yang berjumlah 1.800 citra digital. Dengan masing-masing jenis cacat berjumlah 300 citra.
Hasil simulasi dan analisis pada Tugas Akhir ini menunjukkan bahwa model yang digunakan mampu memberikan hasil yang baik. Model mampu mencapai nilai mean average precision (mAP) sebesar 83,4 % dalam mendeteksi cacat pada permukaan baja. Hasil tersebut lebih baik dibandingkan dengan model deteksi lain, yaitu FCOS, CenterNet, CentripetalNet, dan YOLOv3.
Kata Kunci: Cacat permukaan baja, pengolahan citra digital, Convolutional Neural Network, single-stage detection.