Keywords
CNN
MLP
LBP
Ekstraksi Fitur
Deteksi Otomatis
How to Cite
Abstract
Logam dan bahan lain seperti logam dapat mengakibatkan kerugian finansial besar dan bahaya bagi keselamatan umum terutama pekerja di dunia industri seperti industri perkapalan, tambang dan logam. Penelitian ini bertujuan untuk meningkatakan efektivitas deteksi dini korosi menggunakan metode Convolutional Neural Network (CNN) dibandingkan dengan penelitian sebelumnya yang mengguankan metode Multi-Layer Perceptron (MLP) dikombinasikan dengan Local Binary Pattern (LBP) sebagai teknik ekstraksi fitur. Dataset pada penelitian ini terdiri dari 1630 gambar korosi dan non-korosi yang diperoleh melalui scraping Google Image. Model CNN yang diusulkan menunjukkan akurasi deteksi sebesar 85,16% dan Area Under Curve (AUC) sebesar 91,63%. Ini lebih baik daripada MLP+LBP, yang menunjukkan akurasi 84,92% dan AUC 91,52%. Meskipun perbedaan ini relatif kecil, hal menarik terletak pada jumlah parameter yang digunakan oleh CNN lebih kecil (1.594.337) jika dibandingkan dengan MLP+LBP (6.558.650). Hasil ini menunjukkan bahwa secara keseluruhan, CNN lebih baik dan efisien dalam mendeteksi korosi.
References
D. Wardani et al., “Penggunaan Metode Image Processing Sebagai Alat Karakterisasi Hasil Pelapisan pada Lambung Kapal,” Journal of Applied Electrical Engineering, vol. 7, pp. 37–41, Jun. 2023, doi: 10.30871/jaee.v7i1.5435.
A. Affandi et al., “Analisa Korosi Atmosferik Baja Karbon Rendah Di Kecamatan Medan Belawan,” MULTITEK INDONESIA, vol. 14, no. 2, pp. 80–88, Dec. 2020, doi: 10.24269/mtkind.v14i2.2841.
M. H. Santoso, D. A. Larasati, and Muhathir, “Wayang Image Classification Using MLP Method and GLCM Feature Extraction,” Journal of Computer Science, Information Technologi and Telecommunication Engineering, vol. 1, no. 2, pp. 111–119, Sep. 2020, doi: 10.30596/jcositte.v1i2.5131.
M. Sofian et al., “Perlindungan Korosi Di Perkapalan,” Jurnal Pendidikan Teknik Mesin, vol. 22, no. 2, pp. 50–56, Dec. 2022, doi: https://doi.org/10.15294/jptm.v22i2.
A. Royani, M. Hanafi, H. Julistiono, and A. Manaf, “Biokorosi Dan Teknologi Pencegahannya Di Industri Minyak Dan Gas,” Metalurgi, vol. 36, no. 3, p. 135, Feb. 2022, doi: 10.14203/metalurgi.v36i3.608.
T. Sutojo, S. Rustad, M. Akrom, A. Syukur, G. F. Shidik, and H. K. Dipojono, “A Machine Learning Approach for Corrosion Small Datasets,” Npj Mater Degrad, vol. 7, no. 1, p. 18, Mar. 2023, doi: 10.1038/s41529-023-00336-7.
B. Y. E. Purba, N. F. Saragih, A. P. Silalahi, S. Sitepu, and A. Gea, “Perancangan Alat Pendeteksi Kematangan Buah Nanas Dengan Menggunakan Mikrokontroler Dengan Metode Convolutional Neural Network (CNN),” Methotika : Jurnal Ilmiah Teknik Informatika, vol. 2, no. 1, pp. 13–21, Apr. 2022, [Online]. Available: http://ojs.fikom-methodist.net/index.php/METHOTIKA
U. P. Sanjaya, Z. Alawi, A. R. Zayn, and G. P. Dirgantoro, “Optimasi Convolutional Neural Network dengan Standard Deviasi untuk Klasifikasi Pneumonia pada Citra X-rays Paru,” Generation Journal, vol. 7, no. 3, pp. 40–47, Oct. 2023, doi: 10.29407/gj.v7i3.20183.
S. Sucipto, “Analisa Hasil Rekomendasi Pembimbing Menggunakan Multi-Attribute Dengan Metode Weighted Product,” Fountain of Informatics Journal, vol. 2, no. 1, p. 27, May 2017, doi: 10.21111/fij.v2i1.912.
M. R. Aohana, R. N. L. Hidhayah, M. J. Andara, N. Amara, and F. Bimantoro, “Review Komprehensif: Ekstraksi Fitur GLCM, GLRLM, dan LBP untuk Pendeteksian Korosi,” Seminar Nasional Teknologi & Sains, vol. 3, no. 1, pp. 82–90, Jan. 2024, doi: 10.29407/stains.v3i1.4352.
A. Setiadi, “Penerapan Algoritma Multilayer Perceptron Untuk Deteksi Dini Penyakit Diabetes,” PARADIGMA: Jurnal Komputer dan Informatika Akademi Bina Sarana Informatika, vol. 14, no. 1, pp. 46–59, Mar. 2012, doi: https://doi.org/10.31294/p.v14i1.3378.
M. Hasnain, M. F. Pasha, I. Ghani, M. Imran, M. Y. Alzahrani, and R. Budiarto, “Evaluating Trust Prediction and Confusion Matrix Measures for Web Services Ranking,” IEEE Access, vol. 8, pp. 90847–90861, 2020, doi: 10.1109/ACCESS.2020.2994222.
H. Kusumah and R. A. Pradana, “Penerapan Trainer Interfacing Mikrokontroler Dan Internet Of Things Berbasis ESP32 Pada Mata Kuliah Interfacing,” Journal CERITA, vol. 5, no. 2, pp. 120–134, Aug. 2019, doi: 10.33050/cerita.v5i2.237.
T. T. Maskoen and D. Purnama, “Area Under the Curve dan Akurasi Cystatin C untuk Diagnosis Acute Kidney Injury pada Pasien Politrauma,” Majalah Kedokteran Bandung, vol. 50, no. 4, pp. 259–264, Dec. 2018, doi: 10.15395/mkb.v50n4.1342.
D. A. Setiawan, H. Fitriyah, and W. Kurniawan, “Sistem Klasifikasi Jenis Karat Menggunakan Metode Decision Tree Berbasis Raspberry Pi,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 2, pp. 2114–2120, Jun. 2018, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/4479
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2024 Mizanul Ridho Aohana, Fitri Bimantoro, Ratu Nisful Laily Hidhayah, Daniel Swanjaya