Identifikasi Kerusakan Badan Kontainer Pada Waktu Pengiriman Berdasarkan Citra CCTV Memanfaatkan YOLO dan Deep Transfer Learning

Fitra Hidayah; Yosi Kristian

doi:10.34148/teknika.v13i1.718

Fitra Hidayah Program Studi Teknologi Informasi, Institut Sains dan Teknologi Terpadu Surabaya, Jawa Timur
Yosi Kristian Program Studi Teknologi Informasi, Institut Sains dan Teknologi Terpadu Surabaya, Jawa Timur

DOI: https://doi.org/10.34148/teknika.v13i1.718

Keywords: Convolution Neural Network, EfficientNetV2S, ConvNeXtBase, YOLO v7, Klasifikasi Badan Kontainer

Abstract

Keamanan dalam operasional pelabuhan sangat ditentukan oleh kemampuan untuk mengawasi dan melindungi kontainer, yang meskipun berperan sebagai sarana utama perlindungan, masih rentan terhadap kerusakan. Rekaman CCTV di pelabuhan tidak dapat mengenali jenis kendaraan, seperti membedakan antara truk yang membawa kontainer dan yang tidak, serta tidak mampu mendeteksi kerusakan pada kontainer secara otomatis. Dalam mengatasi masalah ini, studi ini mengembangkan sebuah sistem untuk mendeteksi kontainer dan mengklasifikasikan jenis-jenis kerusakan seperti kerusakan struktural, korosi, depos, cacat pada cat, pembengkakan, serta masalah pada pintu kontainer, dengan memanfaatkan teknik machine learning. Menggunakan pendekatan Convolutional Neural Network (CNN) yang ditingkatkan dengan metode transferslearning dari DeepsConvolutional NeuralsNetworks(DCNN), penelitian ini memberikan solusi analitis untuk citra yang diperoleh. Dataset yang terdiri dari 3000 gambar kontainer sisi depan dan belakang dikategorikan secara manual melalui platform Roboflow. Model YOLOv7 yang terlatih pada dataset tersebut mampu mendeteksi kontainer dengan Skor F1 Terboboti mencapai 90%. Untuk tahap klasifikasi kerusakan kontainer, citra yang telah di-crop berdasarkan output YOLOv7 dianalisis kembali menggunakan model EfficientNetV2S dan ConvNeXtBase. Kedua model tersebut, dengan pemanfaatan transfer learning, menunjukkan performa yang dengan Weighted Average F1 Score berturut-turut sebesar 66% dan 72%. Penelitian ini membuka jalur baru untuk peningkatan keamanan dan pemeliharaan kontainer melalui penerapan model pengenalan gambar yang inovatif di lingkungan pelabuhan.

Downloads

Download data is not yet available.

References

H. Gunawan, Suhartono, and M. E. Sianto, “Analisis Faktor-faktor Yang Berpengaruh terhadap Produktivitas Bongkar Muat Kontainer di Dermaga Berlian Surabaya (Studi Kasus PT. Pelayaran Meratus),” Jurnal Ilmiah Widya Teknik, vol. 7, no. 1, 2008. doi:10.33508/wt.v7i1.1263

H. M. N. I. Ronosentono, Pengetahuan Dasar Tatalaksana Freight Forwarding . Jakarta: Infomedika, 2006.

X. Li, Q. Liu, J. Wang, and J. Wu, “Container damage identification based on FMASK-RCNN,” Neural Computing for Advanced Applications, pp. 12—22, 2020. doi:10.1007/978-981-15-7670-6_2.

S. Li, X. Zhao, and G. Zhou, “Automatic pixelâ€level multiple damage detection of concrete structure using fully convolutional network,” Computer-Aided Civil and Infrastructure Engineering, vol. 34, no. 7, pp. 616—634, 2019. doi:10.1111/mice.12433.

H. Maeda, Y. Sekimoto, T. Seto, T. Kashiyama, and H. Omata, “Road damage detection and classification using deep neural networks with smartphone images,” Computer-Aided Civil and Infrastructure Engineering, vol. 33, no. 12, pp. 1127—1141, 2018. doi:10.1111/mice.12387.

I. W. S. E. PUTRA, A. Y. Wijaya, and R. Soelaiman, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” thesis, Institut Teknologi Sepuluh Nopember, Institut Teknologi Sepuluh Nopember, 2016

A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi Citra Menggunakan convolutional neural network Dan K Fold Cross validation,” Journal of Applied Informatics and Computing, vol. 4, no. 1, pp. 45—51, 2020. doi:10.30871/jaic.v4i1.2017.

C.-Y. Lee, P. Gallagher, and Z. Tu, “Generalizing pooling functions in cnns: Mixed, gated, and Tree,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 40, no. 4, pp. 863—875, 2018. doi:10.1109/tpami.2017.2703082.

M. A. Abu, N. H. Indra, A. H. A. Rahman, N. A. Sapiee, and I. Ahmad, “A study on Image Classification based on Deep Learning and Tensorflow,” International Journal of Engineering Research and Technology, vol. 12, no. 4, pp. 563—569, 2019.

K. Seetala, W. Birdsong, and Y. B. Reddy, “Image classification using tensorflow,” 16th International Conference on Information Technology-New Generations (ITNG 2019), pp. 485—488, 2019. doi:10.1007/978-3-030-14070-0_67

C. Tan et al., “A Survey on Deep Transfer Learning,” The 27th International Conference on Artificial Neural Networks (ICANN 2018).

Y. Wu, X. Qin, Y. Pan, and C. Yuan, “Convolution neural network based transfer learning for classification of flowers,” 2018 IEEE 3rd International Conference on Signal and Image Processing (ICSIP), 2018. doi:10.1109/siprocess.2018.8600536

M. Tan and Q. V. Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” Proceedings of the 36th International Conference on Machine Learning, pp. 6105—6114, 2019.

C. Mahaputri, Y. Kristian, and E. Setyati, “Pengenalan Makanan tradisional Indonesia Beserta Bahan-Bahannya Dengan memanfaatkan DCNN transfer learning,” Journal of Intelligent System and Computation, vol. 4, no. 2, pp. 61—68, 2022. doi:10.52985/insyst.v4i2.252