PERBANDINGAN PERFORMA CNN DAN PRE-TRAINED VGG16 DALAM KLASIFIKASI CACAT PERMUKAAN REL KERETA API STUDI KASUS: FLAKING, SPALLING, DAN SQUAT
Rel kereta api merupakan infrastruktur transportasi vital yang rentan mengalami kerusakan akibat beban berat dan intensitas perjalanan tinggi. Cacat permukaan seperti flaking, spalling, dan squat dapat membahayakan keselamatan perjalanan apabila tidak diidentifikasi dengan benar. Penelitian ini bertujuan membandingkan performa model Convolutional Neural Network (CNN) yang dibangun dari awal dengan model pre-trained VGG16 dalam mengklasifikasikan jenis kerusakan permukaan rel. Dataset yang digunakan terdiri dari 240 citra asli, yang kemudian diperluas menjadi 1.440 citra melalui proses augmentasi (rotasi, flipping, dan shearing). Metodologi penelitian mencakup preprocessing data, pengembangan dua arsitektur model, tuning hyperparameter (optimizer dan learning rate), serta evaluasi model menggunakan confusion matrix berdasarkan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model VGG16 dengan optimizer Adam dan learning rate 0.0001 memberikan performa terbaik, dengan akurasi data uji mencapai 0,9826. Model ini juga menunjukkan kestabilan pelatihan yang baik dan tingkat generalisasi tinggi terhadap data uji. Sebaliknya, model CNN menunjukkan performa lebih rendah, khususnya pada konfigurasi optimizer konvensional seperti SGD. Berdasarkan hasil tersebut, dapat disimpulkan bahwa pendekatan transfer learning dengan pre-trained VGG16 lebih efektif untuk tugas klasifikasi citra kerusakan permukaan rel. Penelitian ini diharapkan dapat menjadi dasar dalam pengembangan sistem inspeksi otomatis berbasis citra untuk mendukung keselamatan perkeretaapian di Indonesia.
URI
https://repo.itera.ac.id/depan/submission/SB2506100026
Keyword
Klasifikasi Citra CNN VGG16 Deep Learning Cacat Rel