Strategi Switching Mode Pengecatan Berbasis YOLO v11 pada Turntable Servo Robot Arm dengan PLC Mitsubishi FX3U
Abstract Views: 12
PDF Downloads: 7
DOI:
https://doi.org/10.56211/blendsains.v5i2.2090Keywords:
Logic Controller; Mode Switching; Robot Painting; Servo Turntable; YOLO v11
Abstract
Proses pengecatan robotik konvensional umumnya menggunakan metode teaching–playback dengan parameter statis, sehingga setiap pergantian jenis objek memerlukan penyesuaian ulang secara manual yang memakan waktu dan rentan kesalahan. Penelitian ini mengusulkan strategi memory-based switching mode pengecatan, di mana hasil klasifikasi objek berbasis YOLOv11 digunakan sebagai kunci (key) untuk memanggil parameter gerak turntable servo yang tersimpan pada memori PLC Mitsubishi FX3U, bukan untuk mengendalikan aktuator secara langsung. Kode identitas objek dikirim melalui komunikasi serial ke register D100, kemudian PLC membangkitkan sinyal pulse–direction ke driver servo FL20 dan mengirim sinyal ready ke robot arm setelah posisi target tercapai. Pengujian dilakukan sebanyak 10 siklus pada masing-masing dari dua mode, yaitu Mode 1 (0°) dan Mode 2 (90°). Hasil menunjukkan bahwa model klasifikasi mencapai confidence score 0,97 pada Mode 1 dan 0,98 pada Mode 2. Rata-rata waktu respon sistem sebesar 1,21 s dan 1,29 s, rata-rata error posisi sebesar 0,31° dan 0,40°, dengan tingkat keberhasilan switching 100% pada kedua mode. Hasil ini menunjukkan bahwa integrasi klasifikasi visual dan kontrol PLC berbasis memori layak diterapkan sebagai alternatif metode teaching–playback pada lini pengecatan dengan variasi objek.
Downloads
References
[1] A. M. Weber, E. Gambao, and A. Brunete, “A Survey on Autonomous Offline Path Generation for Robot-Assisted Spraying Applications,” Actuators, vol. 12, no. 11, 2023, doi: 10.3390/act12110403. DOI: https://doi.org/10.3390/act12110403
[2] G. Tiboni, R. Camoriano, and T. Tommasi, “PaintNet: Unstructured Multi-Path Learning from 3D Point Clouds for Robotic Spray Painting,” IEEE Int. Conf. Intell. Robot. Syst., no. October 2026, pp. 3857–3864, 2023, doi: 10.1109/IROS55552.2023.10341480. DOI: https://doi.org/10.1109/IROS55552.2023.10341480
[3] D. S. Pamungkas, Shendy Saputra, and Anastasya Andaresta Pelmelay, “Rancang Bangun dan Evaluasi Sistem Sortir Otomatis Barang dengan Metode Deteksi Objek YOLO v5 dan Kendali PLC Outseal,” J. Appl. Comput. Sci. Technol., vol. 6, no. 1, pp. 57–66, 2025, doi: 10.52158/jacost.v6i1.1165. DOI: https://doi.org/10.52158/jacost.v6i1.1165
[4] A. S. Ozer and I. Cinar, “Real-Time and Fully Automated Robotic Stacking System with Deep Learning-Based Visual Perception,” Sensors, vol. 25, no. 22, pp. 1–38, 2025, doi: 10.3390/s25226960. DOI: https://doi.org/10.3390/s25226960
[5] A. Gaugenrieder, H. Hara, J. Möhrle, and R. Daub, “ScienceDirect Planning Method for Skill-Based Control of Robots Using a PLC as Skill Trigger,” vol. 00, pp. 16–18, 2025.
[6] H. Chen, “Deep Learning for PLC-Based Industrial Robots,” Appl. Comput. Eng., vol. 240, no. 1, pp. 60–66, 2026, doi: 10.54254/2755-2721/2026.gu33574. DOI: https://doi.org/10.54254/2755-2721/2026.GU33574
[7] M. Mikhail and W. Sealy, “ConGambaration of a PLC Controlled Articulated Robot for Autonomous Vision Inspection Applications,” Proc. LACCEI Int. Multi-conference Eng. Educ. Technol., vol. 2022-July, pp. 1–7, 2022, doi: 10.18687/LACCEI2022.1.1.347. DOI: https://doi.org/10.18687/LACCEI2022.1.1.347
[8] R. Raihan and M. F. Jauhari, “Prototype design of automated goods sorting process based on outseal PLC,” BIS Energy Eng., vol. 1, p. V124030, 2024, doi: 10.31603/biseeng.87. DOI: https://doi.org/10.31603/biseeng.87
[9] R. Khanam and M. Hussain, “YOLOv11: An Overview of the Key Architectural Enhancements,” vol. 2024, pp. 1–9, 2024, [Online]. Available: http://arxiv.org/abs/2410.17725
[10] L. T. Niño and H. A. A. Gardi, “Synthetic-to-Real Object Detection using YOLOv11 and Domain Randomization Strategies,” 2025, [Online]. Available: http://arxiv.org/abs/2509.15045
[11] S. Yilmaz, C. Akay, and F. Kaysi, “Design and Implementation of a Low-Cost IoT-Based Robotic Arm for Product Feeding and Sorting in Manufacturing Lines,” Electron., vol. 14, no. 24, pp. 1–26, 2025, doi: 10.3390/electronics14244801. DOI: https://doi.org/10.3390/electronics14244801
[12] Y. W. Chen and J. M. Shiu, “An implementation of YOLO-family algorithms in classifying the product quality for the acrylonitrile butadiene styrene metallization,” Int. J. Adv. Manuf. Technol., vol. 119, no. 11, pp. 8257–8269, 2022, doi: 10.1007/s00170-022-08676-5. DOI: https://doi.org/10.1007/s00170-022-08676-5
Downloads
Article History
Pages: 608-616
How to Cite
Issue
Section
License
Copyright (c) 2026 Mario Leo Nardo, Soraya Norma Mustika, Achmad Hamdan, Moh Cholid Rosyidi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Penulis yang mempublikasikan naskahnya pada Blend Sains Jurnal Teknik menyetujui ketentuan berikut:
Hak cipta atas artikel apapun dalam Blend Sains Jurnal Teknik dipegang penuh oleh penulisnya di bawah lisensi Creative Commons Attribution-ShareAlike 4.0 International License. dengan beberapa ketentuan sebagai berikut:
"Penulis mengakui bahwa Blend Sains Jurnal Teknik berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution-ShareAlike 4.0 International License / CC BY SA 4.0"
"Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif dari naskah yang telah terbit di jurnal ini ke dalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi ke dalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada Blend Sains Jurnal Teknik."
"Pembaca diperbolehkan mengunduh, menggunakan, dan mengadopsi isi artikel selama mengutip artikel dengan menyebutkan judul, penulis, dan nama jurnal ini. Pengutipan tersebut dilakukan demi kemajuan ilmu pengetahuan dan kemanusiaan serta tidak boleh melanggar hukum yang berlaku."
