Identifikasi Kecacatan Pada Jalur Rel Kereta Api Berbasis Pengolahan Citra Menggunakan Convolutional Neural Network

Abstract

Abstrak Keselamatan dalam menggunakan transportasi adalah hal yang sangat penting, begitu juga dengan menggunakan kereta api sebagai moda transportasi massal. Salah satu bagian penting dalam keselamatan perjalanan kereta api adalah kondisi jalur rel kereta api yang baik. Namun, kecelakaan kereta api akibat anjlokan masih saja terjadi di Indonesia, maka dari itu diperlukan pengawasan prasarana jalur rel kereta api. Hanya saja, pengawasan prasarana jalur rel kereta api masih menggunakan sistem manual. Penelitian Tugas Akhir ini bertujuan untuk membuat suatu sistem yang dapat digunakan untuk mendeteksi dan mengklasifikasikan kerusakan pada jalur rel kereta api dengan menggunakan metode Convolutional Neural Network (CNN). Klasifikasi dibagi menjadi 2 kelas, yaitu defective dan non-defective. Skenario pengujian pada Tugas Akhir ini menggunakan sejumlah 384 citra. Performansi sistem akan diukur dengan menganalisis nilai parameter resize, learning rate, dan batch size, dengan hasil output berupa akurasi, presisi, recall, f1-score. Didapatkan hasil terbaik dengan nilai akurasi 80%, untuk defective didapatkan nilai presisi 81%, recall 74%, dan f1-score 77%, untuk Non-Defective didapatkan nilai presisi 80%, recall 85%, f1-score 83%. Kata kunci: Rel Kereta Api, Convolutional Neural Network (CNN), Defective, Non-Defective Abstract Safety in using transportation is very important, as is using trains as a mode of transportation. One of the important parts in the safety of train travel is the condition of a good railroad track. However, train accidents due to derailment still happen in Indonesia, therefore it is necessary to monitor the railway infrastructure. However, the supervision of railroad infrastructure still uses a manual system. This Final Task aims to create a system that can be used to detect and classify damage to railroads using the Convolutional Neural Network (CNN) method. Classification are divided into 2 classes, namely defective and non-defective. The test scenario in this final project uses a number of 384 images. System performance will be measured by analyzing the parameter values of resize, learning rate, and batch size, with the output results of accuracy, precision, recall, f1-score. The best results are obtained with an accuracy value of 80%, for defective the precision value is 81%, recall is 74%, and F1-score is 77%, for Non-Defective the precision value is 80%, recall is 85%, F1-score is 83%. Keywords: Railroad, Convolutional Neural Network (CNN), Defective, Non-Defective