Klasifikasi Retak Ban Kendaraan Menggunakan Arsitektur 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%.