Inspeksi kualitas Printed Circuit Board (PCB) merupakan salah satu tahapan penting dalam proses manufaktur elektronik untuk memastikan produk yang dihasilkan bebas dari cacat. Proses inspeksi secara manual memiliki beberapa keterbatasan, seperti membutuhkan waktu yang relatif lama, bergantung pada operator, serta berpotensi menimbulkan kesalahan akibat faktor kelelahan. Oleh karena itu, penelitian ini mengembangkan sistem klasifikasi cacat PCB berbasis Convolutional Neural Network (CNN) menggunakan arsitektur MobileNetV2 yang dioptimalkan agar dapat diimplementasikan pada perangkat Raspberry Pi 4 Model B. Dataset yang digunakan berasal dari DeepPCB Dataset yang diproses melalui tahapan Region of Interest (ROI) Cropping, sehingga diperoleh citra yang berisi enam jenis cacat, yaitu missing hole, mouse bite, open circuit, short, spur, dan spurious copper. Model MobileNetV2 dilatih menggunakan metode transfer learning dan fine-tuning, kemudian dilakukan optimasi menggunakan TensorFlow Lite Quantization serta Manual Structured Dense Layer Pruning. Selanjutnya, dilakukan proses benchmarking untuk membandingkan performa beberapa metode optimasi berdasarkan akurasi, ukuran model, dan inference time. Model terbaik kemudian diimplementasikan pada Raspberry Pi 4 dengan antarmuka berbasis Gradio. Hasil penelitian menunjukkan bahwa kombinasi Manual Structured Dense Layer Pruning dan TensorFlow Lite Float16 Quantization menghasilkan performa terbaik dengan akurasi sebesar 98,67%, precision sebesar 98,73%, recall sebesar 98,67%, dan F1-score sebesar 98,67%. Selain itu, model memiliki rata-rata inference time sebesar 7,91 ms. Setelah diimplementasikan pada Raspberry Pi 4B, model tetap mempertahankan akurasi sebesar 98,67% dengan rata-rata inference time sebesar 135,06 ms, sehingga menunjukkan bahwa model mampu mempertahankan performa klasifikasi yang tinggi sekaligus dapat dijalankan pada perangkat edge dengan sumber daya yang terbatas. Pengujian implementasi pada Raspberry Pi 4 menunjukkan bahwa sistem mampu melakukan klasifikasi citra PCB melalui antarmuka Gradio serta menampilkan hasil prediksi, nilai confidence score, inference time, dan riwayat prediksi secara lokal. Berdasarkan hasil tersebut, dapat disimpulkan bahwa optimasi menggunakan TensorFlow Lite Float16 Quantization dan Manual Structured Dense Layer Pruning mampu meningkatkan efisiensi model tanpa mengurangi performa klasifikasi secara signifikan, sehingga sistem layak digunakan sebagai solusi inspeksi cacat PCB berbasis perangkat edge.