Assembly lines merupakan salah satu lini tugas dalam industri yang banyak digunakan dan berbasis bin picking dan computer vision untuk mengambil dan menyusun objek, dimana salah satu objek yang banyak digunakan dalam tugas tersebut adalah pipa fitting. Namun, permasalahan yang dihadapi dalam hal computer vision adalah object recognition dan pose estimation dimana masih terkendala pada keakuratan dari pemrosesan. Pada penelitian ini bertujuan untuk memberikan sebuah pipeline object recognition dan pose estimation menggunakan kamera Time-of-Flight. Pada pipeline yang diusulkan, tahap clustering merupakan bagian krusial karena menentukan hasil dari pemrosesan selanjutnya. Penulis mengusulkan sebuah improvement dari algoritma density-based yaitu Curvature-Density-Based Spatial Clustering Application with Noise (CVR-DBSCAN) untuk menangani objek yang bertumpuk dan overlapping. Dilanjutkan dengan object recognition dan object pose estimation masing-masing menggunakan Convolutional Neural Network (CNN) serta SAmple Consensus Initial-Alignment (SAC-IA) dan Iterative Closest Point (ICP). Pada kondisi tumpukan objek yang acak, CVR-DBSCAN mampu memberikan performa akurasi hingga 73.17% yang mana jauh lebih baik dari algoritma yang umum digunakan yaitu Euclidean clustering. Untuk analisis object recognition digunakan beberapa metrics seperti Akurasi, Recall, Precision, dan F-1 Score dimana masing-masing bernilai 97.73%, 95.45%, 95.73%, dan 95.47%. Evaluasi pose estimation didapatkan dari error baik rotasi maupun translasi yang masing-masing bernilai 0.47 derajat dan 4.17 mm. Secara keseluruhan, sistem yang diusulkan dapat merekognisi dan mengestimasi pose dari objek dengan berbagai kondisi peletakan.