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%.