Klasifikasi Retak Ban Kendaraan Menggunakan  Arsitektur ResNet50

Iwansyah Edo Hendarawan; Riza Ibnu Adam; Chaerur Rozikin

doi:10.33372/stn.v9i1.902

Iwansyah Edo Hendarawan Universitas Singaperbangsa Karawang
Riza Ibnu Adam Universitas Singaperbangsa Karawang
Chaerur Rozikin Universitas Singaperbangsa Karawang

DOI: https://doi.org/10.33372/stn.v9i1.902

Keywords: Ban, Deep Learning, ResNet50

Abstract

Ban adalah salah satu komponen penting yang hampir ada pada semua kendaraan. Ban berfungsi untuk meneruskan fungsi pengereman serta memberikan kenyamanan kepada pengguna. Seiring usia ban yang sering digunakan dapat mengalami kerusakan yang disebabkan oleh berbagai faktor seperti jalan yang dilalui ataupun cuaca yang diterima oleh ban kerndaraan. Retak pada ban merupakan salah satu kerusakan yang dapat terjadi pada ban dimana hal ini dapat menjadi sebuah tanda dimana ban yang digunakan telah kehilangan sifat lenturnya. Ban yang telah mengalami penurunan pada kelenturannya menandakan bahwa traksi yang dimiliki ban berkurang sehingga jika diabakan dapat menjadi sumber potensi kecelakaan pengendara. Perawatan yang tepat pada ban sangat diperlukan sehingga ban yang digunakan dapat dalam keadaan optimal sehingga tidak akan melukai pengendara. Dalam proses perawatan ban kendaraan saat ini masih dilakukan secara manual yang bergantung ke mata telanjang manusia sehingga dapat terjadi kemungkinan human error. Pada penelitian ini dilakukan pengembangan model dimana untuk melakukan klasifikasi terhadap ban kendaraan yang retak sebagai upaya mengurangi kemungkinan human error. Model yang dibangun menggunakan arsitektur ResNet50 yang merupakan salah satu arsitektur CNN yang merupakan algoritma dalam deep learning. Arsitektur ResNet50 menggunakan model Transfer Learning dimana model tidak memerlukan pelatihan atau penyesuaian layer. Dari 6 skenario parameter tunning yang dilakukan model mendapat nilai terbaik untuk akurasi 94%, presisi 94% dan recall 94%.

References

Anshori, M. R., Mursadin, A., & Siswanto, R. (2018). Analisis Faktor-Faktor yang Mempengaruhi Kerusakan Ban Pada Unit Dump Truck Di Pt X. Scientific Journal of Mechanical Engineering Kinematika, 3(2), 107–118.

Arsal, M., Wardijono, B. A., & Anggraini, D. (2020). Face Recognition untuk Akses Pegawai Bank Menggunakan Deep Learning dengan Metode CNN. J. Nas. Teknol. Dan Sist. Inf, 6(1), 55–63.

Arthono, A., & Permana, V. A. (2022). Perencanaan Perkerasan Lentur Jalan Raya Menggunakan Metode Analisa Komponen SNI 1732-1989-F Ruas Jalan Raya Mulya Sari Kecamatan Pamanukan Sampai Kecamatan Binong Kabupaten Subang Propinsi Jawa Barat. Jurnal Komposit, 6(1), 41–51.

Ary, M., & Rismiati, D. A. F. (2019). Ukuran Akurasi Klasifikasi Penyakit Mesothelioma Menggunakan Algoritma K-Nearest Neighbor dan Backward Elimination. Sains Dan Teknologi Informasi, 5(1), 11–18.

Azizah, L. M., Umayah, S. F., & Fajar, F. (2018). Deteksi Kecacatan Permukaan Buah Manggis Menggunakan Metode Deep Learning dengan Konvolusi Multilayer. Semesta Teknika, 21(2), 230–236.

Effendi, N. (2018). Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Efektifitas Pembelajaran Dengan E-Learning. Sains Dan Teknologi Informasi, 4(1), 1–10.

Hermawan, A., Lianata, L., & Maranto, A. R. K. (2022). Implementasi Machine Learning Sebagai Pengenal Nominal Uang Rupiah dengan Metode YOLOv3. SATIN-Sains Dan Teknologi Informasi, 8(1), 12–22.

Lasniari, S., Jasril, J., Sanjaya, S., Yanto, F., & Affandes, M. (2022). Klasifikasi Citra Daging Babi dan Daging Sapi Menggunakan Deep Learning Arsitektur ResNet-50 dengan Augmentasi Citra. Jurnal Sistem Komputer Dan Informatika (JSON), 3(4), 450–457.

Lumabiang, V. M., Manaha, C. A. L., Liem, A. T., & Tombeng, M. (2019). Prototipe Pendeteksi Object Menggunakan Computer Vision dan Raspberry Pi. SENSITIf: Seminar Nasional Sistem Informasi Dan Teknologi Informasi, 1341–1351.

Nashrullah, F., Wibowo, S. A., & Budiman, G. (2020). Investigasi Parameter Epoch Pada Arsitektur ResNet-50 untuk Klasifikasi Pornografi. Journal of Computer, Electronic, and Telecommunication, 1(1), 1–8.

Nasution, D. A., Khotimah, H. H., & Chamidah, N. (2019). Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN. CESS (Journal of Computer Engineering, System and Science), 4(1), 78–82.

Nurjannah, N. (2020). KKomparasi Perpaduan SIR20/SBR dan SIR 3CV/BR Sebagai Base Elastomer Terhadap Karakteristik Komposit Karet untuk Telapak Ban Pejal Vulkanisir. Jurnal Penelitian Karet, 197–208.

Peryanto, A., Yudhana, A., & Umar, R. (2020). Rancang Bangun Klasifikasi Citra dengan Teknologi Deep Learning Berbasis Metode Convolutional Neural Network. Format J. Ilm. Tek. Inform, 8(2), 138.

Putra, I. P., Rusbandi, R., & Alamsyah, D. (2022). Klasifikasi Penyakit Daun Jagung Menggunakan Metode Convolutional Neural Network. Jurnal Algoritme, 2(2), 102–112.

Putra, K. B. V., Bayupati, I. P. A., & Arsa, D. M. S. (2021). Klasifikasi Citra Daging Menggunakan Deep Learning dengan Optimisasi Hard Voting. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(4), 656–662.

Putra, R. R., & Antony, F. (2018). Sistem Computer Vision Pengenalan Pola Angka dan Operator Matematika Pada Permainan Kartu Angka Berbasis Jaringan Syaraf Tiruan Perceptron. Jurnal Informatika Global, 9(1).

Ridhovan, A., & Suharso, A. (2022). Penerapan Metode Residual Network (ResNet) dalam Klasifikasi Penyakit Pada Daun Gandum. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 7(1), 58–65.

Ruusen, A. S. (2021). Penegakan Hukum Pidana Karena Kelalaian Pengemudi Kendaraan Yang Mengakibatkan Kecelakaan Lalu Lintas. Lex Crimen, 10(2).

Setiawan, R. A., & Midyanti, D. M. (2018). Rancang Bangun Alat Monitoring Tekanan Angin Ban Secara Real Time Menggunakan Metode Tsukamoto Pada Kendaraan Roda Empat. Coding Jurnal Komputer Dan Aplikasi, 6(3).

Wibawa, A. P., Purnama, M. G. A., Akbar, M. F., & Dwiyanto, F. A. (2018). Metode-metode Klasifikasi. Prosiding SAKTI (Seminar Ilmu Komputer Dan Teknologi Informasi), 3(1), 134–138.

Wulandari, I., Yasin, H., & Widiharih, T. (2020). Klasifikasi citra digital bumbu dan rempah dengan algoritma convolutional neural network (cnn). Jurnal Gaussian, 9(3), 273–282.