DETEKSI DEFECT PERMUKAAN JALAN REL KERETA API MENGGUNAKAN ARSITEKTUR YOLOV3 UNTUK INSPEKSI OTOMATIS

---

• Dipublikasikan pada 24 Oktober 2024

Abstrak

Penggunaan kereta api sebagai transportasi umum darat sangat diminati masyarakat. Hal itu menyebabkan frekuensi perjalanan kereta api meningkat setiap tahunnya. Hal tersebut juga berpengaruh terhadap bahaya resiko kecelakaan seperti derailment yang relatif bertambah. Salah satu faktor penyebab derailment adalah kerusakan pada rel, sehingga dibutuhkan inpeksi rutin untuk memastikan kondisi rel dalam keadaan normal, tidak terdapat defect atau kerusakan. Inspeksi yang telah lama digunakan adalah inspeksi manual yang memiliki kekurangan seperti efisiensinya yang rendah, adanya human error, bersifat objektif, dan berbahaya, sehingga mulai beralih ke inspeksi otomatis. Inspeksi otomatis dapat mempersingkat waktu inspeksi, mengurangi biaya pemeliharaan, data dapat bersifat real time, dan mengurangi keterlibatan manusia yang memungkinkan terjadinya kekeliruan. Penelitan ini akan membuat sistem inspeksi otomatis deteksi defect pada rel kereta api dengan teknologi deep learning. Metode yang digunakan adalah YOLOv3 dengan framework Darknet-53 yang memiliki 53 convolutional layer dan residual blocks. Penggunaan algoritma YOLOv3 dapat memberikan nilai keakuratan yang tinggi dengan hasil deteksi yang relatif cepat dibanding metode lainnya. Model menggunakan dataset gambar rel defect yang sebelumnya telah dikumpulkan dan dilakukan proses pelatihan. Berdasarkan percobaan yang telah dilakukan, didapatkan hasil sistem pendeteksian menggunakan model YOLOv3 memiliki nilai mAP sebesar 86,71%, nilai precision 88%, nilai recall 86%, nilai f1-score 87%, nilai average IoU 69,22% dan nilai accuracy 84%. 

Kata Kunci : YOLOv3, Defect, Railway, Darknet