Mendeteksi Korosi Pada Besi Menggunakan Metode Convolutional Neural Network Dengan Algoritma Yolo Dan F-Rcnn

Abstract

Korosi merupakan fenomena penurunan kondisi logam akibat reaksi elektrokimia dengan lingkungan pada udara terbuka. Korosi menjadi ancaman serius bagi perindustrian yang berkaitan langsung dengan logam, struktur baja, dan perlengkapan lainnya. Kerusakan akibat korosi dapat mengakibatkan penurunan kinerja, biaya perawatan yang tinggi, serta risiko kecelakaan kerja yang berpotensi fatal. Untuk mendeteksi korosi yang lebih cepat, tepat dan akurat, maka akan dilakukan penelitian dan perbandingan terhadap metode Convolutional Neural Network dengan 2 algoritma yang berbeda yaitu YOLO dan FasterRCNN untuk mendeteksi korosi. Hasil dari perbandingan menunjukkan bahwa algoritma YOLO memiliki performa terbaik dengan Precision 87%, Recall 81%, F1-Score 85%, dan mAP 86%. Dari hasil tersebut dapat disimpulkan algoritma YOLO lebih lebih baik dan lebih akurat dalam mengidentifikasi area corrosion sekaligus mengurangi kesalahan dalam mendeteksi area non-corrosion.