Development of Corrosion Segmentation Using Deep Learning Double Architecture Method to Assist the Analysis and Evaluation Process of Corrosion Inspection

Abstrak

Korosi sering terjadi pada komponen unit pompa di tambang batu bara. Hal ini dapat menyebabkan seringnya terjadi kegagalan pada beberapa komponen. Oleh karena itu, dilakukan inspeksi korosi pada setiap komponen untuk meminimalisir kerusakan yang dapat terjadi. Saat ini inspeksi korosi masih menggunakan metode inspeksi manual. Dari inspeksi manual tersebut, masih terdapat cacat logam berupa korosi yang masih luput dari inspeksi. Oleh karena itu, peneliti mengembangkan segmentasi korosi menggunakan computer vision dengan metode deep learning double architecture untuk deteksi dan evaluasi korosi logam untuk mengurangi kerugian kesalahan akibat inspeksi manual sebelumnya. Algoritma deep learning double architecture VGG16-UNET dapat diaplikasikan pada penelitian ini dengan bantuan teknologi computer vision untuk menghasilkan metode analisis yang lebih cepat dan akurat. Dengan menggunakan metode VGG16-UNET didapatkan akurasi sebesar 98,42% jika dibandingkan dengan arsitektur UNET tunggal didapatkan akurasi sebesar 92,6%. Sehingga dapat disimpulkan bahwa pengembangan inspeksi yang direkomendasikan ini dapat menggantikan proses lama dalam menganalisa dan mengevaluasi inspeksi korosi pada komponen pompa dari yang awalnya sulit menjadi cepat dan mudah.