PENERAPAN CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI KERUSAKAN KOROSI: STUDI KASUS KOROSI SERAGAM, KOROSI CELAH, DAN KOROSI GALVANIS
Korosi pada logam, khususnya baja, merupakan masalah serius di industri karena menurunkan integritas struktural dan menimbulkan kerugian ekonomi. Identifikasi jenis korosi secara manual masih terkendala subjektivitas dan akurasi. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis berbasis deep learning dengan arsitektur CNN VGG19 melalui transfer learning untuk mengklasifikasikan tiga jenis korosi: seragam, celah, dan galvanis. Dataset yang digunakan terdiri dari 1.026 citra hasil augmentasi, dibagi menjadi data latih (64%), validasi (16%), dan pengujian (20%). Model dilatih menggunakan Adam optimizer dengan dua variasi learning rate (0,0001 dan 0,001), serta penerapan callback EarlyStopping dan ModelCheckpoint untuk mencegah overfitting. Hasil menunjukkan bahwa model dengan learning rate 0,0001 memberikan performa terbaik, dengan akurasi pengujian mencapai 97%, serta precision, recall, dan F1-score tinggi pada semua kelas. Temuan ini menunjukkan bahwa VGG19 efektif dalam mengklasifikasikan korosi pada citra logam, dan berpotensi diterapkan dalam sistem inspeksi otomatis di industri.
URI
https://repository.itera.ac.id/depan/submission/SB2509110065
Keyword
Convolutional Neural Network VGG19 Korosi Klasifikasi Citra Transfer Learning