Deteksi Kerusakan Badan Kontainer di Gate-In PT Berlian Jasa Terminal Indonesia Menggunakan YOLOv11
Abstract
Abstrak — Kerusakan pada badan kontainer menjadi tantangan utama dalam industri logistik, terutama bagi perusahaan pelabuhan seperti PT Berlian Jasa Terminal Indonesia (BJTI). Proses verifikasi kerusakan yang masih dilakukan secara manual menyebabkan potensi kesalahan, keterlambatan, dan penurunan kepercayaan pelanggan. Oleh karena itu, penelitian ini bertujuan untuk merancang, mengembangkan, dan mengevaluasi sistem deteksi otomatis kerusakan kontainer. Penelitian ini melakukan studi perbandingan antara YOLOv11 dengan model pembanding lainnya (YOLOv8, YOLOv9, dan YOLOv10) untuk menemukan arsitektur terbaik, yang kemudian diintegrasikan dengan sistem web sebagai antarmuka pemantauan. Model dilatih menggunakan dataset gabungan dari CCTV pelabuhan dan sumber publik. Hasil pengujian menunjukkan bahwa YOLOv11 menjadi model paling unggul, mencapai performa akurasi tertinggi dengan [email protected] sebesar 53.44%, Precision 66.97%, dan Recall 50.69%. Dari sisi kecepatan, sistem yang diuji pada CPU menunjukkan waktu inferensi rata-rata 123.90 ms per gambar, yang juga merupakan kinerja tercepat dibandingkan model pembanding lainnya, membuktikan efisiensinya untuk implementasi operasional. Hasil deteksi secara otomatis diunggah ke server dan ditampilkan pada antarmuka web yang dibangun menggunakan framework CodeIgniter 4. Evaluasi menunjukkan bahwa integrasi antara model deteksi dan sistem web berjalan dengan baik dan stabil. Sistem ini diharapkan dapat menjadi solusi aplikatif berbasis computer vision untuk meningkatkan efisiensi dan akurasi dalam pengawasan kontainer di lingkungan pelabuhan.
Kata kunci — Deteksi kerusakan kontainer, YOLOv11, Pelabuhan
References
[1] M. Haris, A. Abdillah, and I. Kirono, “Penggunaan Container Sebagai Pengganti Terpal Untuk Angkut Pupuk Pt Gresik Cipta Sejahtera,” AkMen (Akuntansi dan Manajemen) JURNAL ILMIAH, vol. 20, no. 3, pp. 250–258, 2023, doi: https://doi.org/10.37476/akmen.v20i3.4371.
[2] D. Agus Susanto, M. Haekal Habiebie, and B. Basuki, “Peran Penerapan Standardisasi Dan Penilaian Kesesuaian Dalam Peningkatan Kinerja Perusahaan Dalam Perdagangan Internasional,” Jurnal Ekonomi & Kebijakan Publik, vol. 14, no. 2, pp. 93–108, 2023, doi: 10.22212/jekp.v14i2.2129.
[3] D. Willar, D. Debora, G. Pangemanan, and P. Korespondensi, “Hambatan Signifikan Implementasi Sistem Manajemen Mutu Pelaksana Konstruksi,” TEKNIK, vol. 41, no. 2, pp. 100–110, 2020, doi: 10.14710/teknik.v41n2.27252.
[4] Juanda, April Gunawan Malau, and Agung Kwartama, “Pengaruh Kualitas Layanan Dan Pengembangan Pelabuhan Terhadap Kepercayaan Yang Berimplikasi Pada Loyalitas Pengguna Jasa Bongkar Muat Di Pt Jakarta International Container Terminal (JICT),” Journal of Economic, Bussines and Accounting (COSTING), vol. 7, no. 5, 2024, doi: https://doi.org/10.31539/costing.v7i5.12395.
[5] A. Sharma, V. Kumar, and L. Longchamps, “Comparative performance of YOLOv8, YOLOv9, YOLOv10, YOLOv11 and Faster R-CNN models for detection of multiple weed species,” Smart Agricultural Technology, vol. 9, Dec. 2024, doi: 10.1016/j.atech.2024.100648.
[6] R. Sapkota, Z. Meng, M. Churuvija, X. Du, Z. Ma, and M. Karkee, “Comprehensive Performance Evaluation of YOLOv12, YOLO11, YOLOv10, YOLOv9 and YOLOv8 on Detecting and Counting Fruitlet in Complex Orchard Environments,” arXiv preprint, Feb. 2025, [Online]. Available: http://arxiv.org/abs/2407.12040
[7] L. H. He, Y. Z. Zhou, L. Liu, W. Cao, and J. H. Ma, “Research on object detection and recognition in remote sensing images based on YOLOv11,” Sci Rep, vol. 15, no. 1, Dec. 2025, doi: 10.1038/s41598-025-96314-x.
[8] F. Hidayah and Y. Kristian, “Identifikasi Kerusakan Badan Kontainer Pada Waktu Pengiriman Berdasarkan Citra CCTV Memanfaatkan YOLO dan Deep Transfer Learning,” Teknika, vol. 13, no. 1, pp. 10–17, Jan. 2024, doi: 10.34148/teknika.v13i1.718.
[9] E. R. Setyaningsih and M. S. Edy, “YOLOv4 dan Mask R-CNN Untuk Deteksi Kerusakan Pada Karung Komoditi,” Teknika, vol. 11, no. 1, pp. 45–52, Mar. 2022, doi: 10.34148/teknika.v11i1.419.
[10] S. Kim and S. D. Lee, “YOLO-Based Damage Detection with StyleGAN3 Data Augmentation for Parcel Information-Recognition System,” Computers, Materials and Continua, vol. 80, no. 1, pp. 195–215, 2024, doi: 10.32604/cmc.2024.052070.
[11] J. Z. Pan, C. H. Yang, L. Wu, X. Huang, and S. Qiu, “One improved YOLOX-s algorithm for lightweight section-steel surface defect detection,” Advances in Mechanical Engineering, vol. 16, no. 8, Aug. 2024, doi: 10.1177/16878132241266456.
[12] C.-Y. Wang and H.-Y. M. Liao, “YOLOv1 to YOLOv10: The fastest and most accurate real-time object detection systems,” APSIPA Trans Signal Inf Process, pp. 1–38, Aug. 2024, doi: 10.1561/116.20240058.
[13] R. Dormawaty, R. S. Wulandari, and M. E. Tumeko, “Pengaruh Penanganan Repair Container Guna Memenuhi Kebutuhan Ekspor di PT.Evergreen Shipping Agency Indonesia,” Meteor STIP Marunda, vol. 14, no. 2, pp. 158–169, Dec. 2021, doi: 10.36101/msm.v14i2.204.
[14] R. Septianarta Putra and I. Dewi Ratih, “Analysis of Import Gate Out Service Using Control Chart in PT Terminal Petikemas Surabaya,” IPTEK The Journal of Engineering, vol. 7, no. 1, pp. 23–30, 2021, doi: http://dx.doi.org/10.12962/j23378557.v7i1.a7460.
[15] Prayono, Riyanto, Kundori, and I. N. Gede Muliawan, “Optimalisasi Relokasi Petikemas Di Pelabuhan Tanjung Perak Dalam Menunjang Kegiatan Bongkar Muat Pada Pt.Abc,” Jurnal Sains Teknologi Transportasi Maritim , vol. 2, no. 2, pp. 33–40, Nov. 2020, doi: https://doi.org/10.51578/j.sitektransmar.v2i2.26.
