Perpustakaan Digital ITB

Pemeriksaan kondisi aksesoris transmisi listrik merupakan aspek penting dalam menjaga keandalan pasokan listrik. Penelitian ini bertujuan untuk mengembangkan sistem deteksi korosi secara otomatis menggunakan kombinasi object detection dan image classification. Dataset yang digunakan mencakup aksesoris spesifik dari lingkungan Indonesia seperti Clevis, Dead End Compression, Shackle, Tension Clamp, Hole, dan Bolt, yang mempunyai latar beragam dan ukuran yang kecil. Metode yang digunakan melibatkan model state-of-the-art seperti YOLOv9e untuk object detection dan Xception untuk image classification. Pengujian menunjukkan bahwa pengurangan jumlah kelas serta peningkatan ukuran objek dapat meningkatkan performa model hingga mAP@0.5 sebesar 0,972 menggunakan YOLOv9e. Namun, penghapusan latar belakang (background removal) memberikan dampak negatif pada performa dengan skor mAP@0.5 kurang dari 0,20. Kombinasi antara object detection dan image classification menghasilkan F1- score sebesar 84,05 pada data uji lapangan. Hasil penelitian ini menunjukkan potensi penggunaan teknologi deep learning dalam inspeksi aksesoris transmisi listrik di Indonesia dengan beberapa tantangan terkait kualitas dataset dan integrasi pipeline.