Hasil Pencarian  ::  Simpan CSV :: Kembali

"Konsumsi rokok menjadi salah satu isu kesehatan global terbesar di dunia. Organisasi Kesehatan Dunia (WHO) memperkirakan sekitar 1,3 miliar penduduk di seluruh dunia menggunakan produk tembakau. Indonesia juga menempati peringkat ketiga tertinggi jumlah perokok aktif terbanyak di dunia. Tembakau tidak hanya berbahaya bagi yang menggunakannya, tetapi juga berbahaya bagi yang terpapar asapnya. Orang dapat merokok sembarangan dengan mudah jika pengawasan terhadap penggunaan rokok longgar atau bahkan tidak ditegakkan. Untuk mengatasi permasalahan rokok, berbagai penelitian telah dikembangkan, termasuk metode pengenalan orang yang sedang merokok. Berbagai perangkat pencitraan digunakan untuk mendeteksi aktivitas manusia, termasuk merokok. Dengan pesatnya perkembangan kecerdasan buatan dan deep learning dalam beberapa dekade terakhir, termasuk computer vision, berbagai metode telah dikembangkan untuk mendeteksi orang yang sedang merokok. Salah satu metode tersebut adalah MobileNetV3, yang merupakan salah satu arsitektur Convolutional Neural Network (CNN). MobileNetV3 dikembangkan khusus untuk penggunaan pada aplikasi peranti bergerak dan sistem tanam karena sifatnya yang ringan komputasi. Penelitian ini bertujuan untuk mengembangkan sistem deteksi orang sedang merokok berbasis computer vision menggunakan MobileNetV3. Pada arsitektur sistem, layer dropout digunakan untuk mengatasi masalah overfitting sehingga performa model meningkat. Dataset yang digunakan berasal dari Mendeley Data dan Kaggle yang merupakan kumpulan citra orang yang sedang merokok masing-masing sejumlah 2410 citra dan 3275 citra. Melalui simulasi menggunakan konfigurasi dropout senilai 0,5, perbandingan proporsi dataset training : validasi : training menjadi 80 : 10 : 10, model berhasil memperoleh performa terbaik dengan nilai akurasi sebesar 92,08%, nilai loss sebesar 22,87%, nilai presisi sebesar 93,16%, dan nilai recall sebesar 90,83%. Akurasi ini lebih baik dari penelitian Junlong Tang et al. dengan YOLOv5s yang menghasilkan akurasi 85,6%

---

Cigarette consumption is one of the most significant global health issues. The World Health Organization (WHO) estimates that around 1.3 billion people worldwide use tobacco products. Indonesia also ranks third with the world's highest number of active smokers. Tobacco is not only dangerous for those who use it but also for those exposed to the smoke. People can smoke indiscriminately if controls on cigarette use are lax or even not enforced. Various studies have been developed to overcome the problem of smoking, including methods of identifying people who smoke. Different imaging devices are used to detect human activities, including smoking behavior. With the rapid development of artificial intelligence and deep learning in recent decades, including computer vision, various methods have been developed to detect smoking people. One such method is MobileNetV3, one of the Convolutional Neural Network (CNN) architectures. MobileNetV3 was explicitly developed for mobile applications and embedded systems because of its computationally lightweight nature. This study aims to create a computer vision-based smoking detection system using MobileNetV3. In the system architecture, the dropout layer is used to overcome the problem of overfitting so that model performance increases. The datasets used are from Mendeley Data and Kaggle, a collection of images of smoking people, a total of 2410 and 3275 images, respectively. Through simulation using a dropout configuration of 0.5, the proportion of the training dataset: validation: training to 80: 10: 10, the model managed to obtain the best performance with an accuracy value of 92.08%, a loss value of 22.87%, a precision value of 93.16%, and the recall value is 90.83%. This accuracy is better than previous studies by Junlong Tang et al. with YOLOv5s, which resulted in an accuracy of 85.6%"

"Retinopati diabetik merupakan salah satu bentuk komplikasi diabetes melitus yang diekspresikan dengan adanya kerusakan pada pembuluh darah retina mata. Pada tahap awal, retinopati diabetik seringkali tidak menimbulkan gejala atau hanya menimbulkan gejala yang ringan. Namun, jika tidak mendapatkan penanganan yang baik, retinopati diabetik dapat menyebabkan kebutaan. Maka dari itu, akses skrining yang terjangkau menjadi esensial untuk mencegah efek jangka panjang dari penyakit ini. Penelitian ini berfokus pada pengembangan sistem deteksi retinopati diabetik berbasis deep learning yang bertujuan untuk meningkatkan aksesibilitas terhadap skrining retinopati diabetik. Model deteksi yang dibuat dalam penelitian ini yaitu model model berbasis Vision Transformer (ViT) B32 yang dibandingkan performanya dengan model convolutional neural network (CNN) berarsitektur DenseNet-121 dan. Model DenseNet-121 yang dilatih menggunakan gambar yang di-pre-process dengan teknik Ben Graham dan datanya di upsample memiliki performa terbaik dibandingkan teknik lainnya yang diteliti penelitian ini. Teknik pre-processing yang menghasilkan model CNN terbaik itu kemudian diimplementasikan pada model ViT untuk dibandingkan. Selain mengungguli model CNN, model ViT juga berhasil mengungguli model state of the art yang ada dengan nilai accuracy, precision, recall, dan f1-score masing-masing senilai 96%. Model ViT ini kemudian diintegrasikan dengan graphical user interface (GUI) untuk memudahkan dokter dalam memanfaatkan model yang diusulkan untuk skrining retinopati diabetik.

---

Diabetic retinopathy is a complication of diabetes mellitus characterized by damage to the blood vessels of the retina. In its early stages, diabetic retinopathy often does not present symptoms or only causes mild symptoms. However, without proper treatment, diabetic retinopathy can lead to blindness. Therefore, affordable screening access is essential to prevent the long-term effects of this disease. This research focuses on the development of a deep learning-based detection system for diabetic retinopathy, aiming to enhance the accessibility of diabetic retinopathy screening. The detection model developed in this study is based on the Vision Transformer (ViT) B32 model, and its performance is compared with the DenseNet-121 convolutional neural network (CNN) architecture. The DenseNet-121 model, trained using images pre-processed with the Ben Graham technique and upsampled data, showed the best performance compared to other techniques investigated in this study. The pre-processing technique that yielded the best CNN model was then implemented on the ViT model for comparison. In addition to outperforming the CNN model, the ViT model also surpassed the existing state-of-the-art models with an accuracy, precision, recall, and F1-score of 96% each. This ViT model was subsequently integrated with a graphical user interface (GUI) to facilitate doctors in utilizing the proposed model for diabetic retinopathy screening."

"Pada penelitian ini, penerapan dari komputasi paralel dan komputasi awan dilakukan dalam sistem pendeteksi plagiarisme menggunakan algoritma winnowing dengan tujuan untuk mempersingkat waktu eksekusi program. Paralelisasi dilakukan pada bagian pemrosesan data paragraf dari dokumen referensi. Program dijalankan pada sistem komputasi awan OpenStack yang berada di Departemen Teknik Elektro, Universitas Indonesia agar dapat dilakukan paralelisasi secara optimal dengan mengutilisasi inti prosesor pada sistem. Didapatkan hasil bahwa waktu eksekusi dengan komputasi paralel berhasil menjadi lebih cepat sebesar 1,07 sampai dengan 3,52 kali dibandingkan waktu eksekusi dengan komputasi serial.

---

In this research, impementation of parallel computing and cloud computing was done within the plagiarism detection system using the winnowing algorithm with an objective to decrease the execution time of the program. Parallelization was done on the portion of the program where the paragraphs of reference documents are processed. The program was then executed on the OpenStack cloud computing system in the Department of Electrical Engineering, Universitas Indonesia in order for the parallelization to be optimal by utilizing the cores on the system. The results were that the execution time with the paralel computation was successfully sped up by 1.07 to 3.52 times compared to the execution time with serial computing."

"ABSTRAKPenelitian ini bertujuan untuk mengembangkan sebuah sistem teknologi alat bantu mobilitas untuk orang dengan gangguan penglihatan (OdGP) yang dinamakan dengan Smart Environment Explorer Stick (SEES) . Tujuan khusus penelitian ini adalah mengembangkan algoritma baru dalam meningkatkan akurasi SEE-stick untuk mendeteksi tiang dengan metode perhitungan jarak dan pencarian pasangan garis vertikal berbasis optimasi deteksi tepi Canny dan Transformasi Hough. Algoritma deteksi tiang ini dinamakan algoritma YuRHoS. Hasil penelitian ini adalah telah dikembangkan SEES sebagai sistem pendukung mobilitas OdGP yang mengintegrasikan perangkat global remote server iSEE , embedded local server SEE-phone dan smart stick SEE-stick . Kinerja SEE-stick dapat ditingkatkan melalui algoritma YuRHoS yang mampu memperbaiki akurasi SEE-stick dalam mendeteksi tiang. Perbandingan hasil uji deteksi tiang antara algoritma YuRHoS dengan algoritma deteksi tiang lainnya menyimpulkan bahwa algoritma YuRHoS memiliki tingkat akurasi lebih baik dalam mendeteksi tiang. Dua faktor dominan yang signifikan mempengaruhi kemampuan SEE-stick dalam mendeteksi tiang adalah lokasi uji dan warna tiang. Tingkat akurasi SEE-stick akan optimal dalam mendeteksi tiang di luar ruangan dan tiang berwarna perak. Hasil uji statistik menunjukkan bahwa kinerja algoritma YuRHoS pada uji di dalam ruangan 0,085 kali lebih buruk dibandingkan uji di luar ruangan, sedangkan penggunaan tiang berwarna perak sebagai obyek deteksi dapat meningkatkan kinerja algoritma YuRHoS 12 kali lebih baik dibandingkan penggunaan tiang berwarna hitam.

---

ABSTRACTThis research aimed to develop a technology system of mobility aid for Visually Impaired Person (VIP) called Smart Environment Explorer Stick (SEES) . Particular purpose of this research was developing new algorithm in improving accuracy of SEE stick for pole detection using distance calculation method and vertical line pair search based on Canny edge detection optimization and Hough transform. Henceforth, the pole detection algorithm was named as YuRHoS algorithm. The developed SEES as supporting system of VIP mobility aid had been successfully integrated several devices such as global remote server iSEE , embedded local server SEE phone and smart stick SEE stick . Performance of SEE stick could be improved through YuRHoS algorithm which was able to fix the accuracy of SEE stick in detecting pole. Test comparison of pole detection results among others algorithm concluded that YuRHoS algorithm had better accuracy in pole detection. Two most significant factors affecting SEE stick ability in detecting pole was test location and pole color. Level of accuracy of SEE stick would be optimum once the test location was performed outdoor and pole color was silver. Statistics result shown that YuRHoS algorithm performance indoor was 0.085 times worse than outdoor. Meanwhile, silver pole color as object detection could increase YuRHoS algorithm performance as much as 12 times better compare to black pole color."

"COVID-19 merupakan penyakit yang telah menjadi pandemi pada tahun 2020. Penyakit ini dinyatakan sebagai pandemi karena menjadi wabah yang sangat luas hingga seluruh dunia terpapar. Dalam usaha penekanan penyebaran penyakit COVID-19, banyak peneliti yang menerapkan deep learning untuk mendeteksi penyakit ini. Convolutional Neural Network(CNN) merupakan jenis deep learning yang paling banyak digunakan untuk usaha mengklasifikasi citra X-ray paru-paru. Algoritma yang dikembangkan pada penelitian ini menggunakan deep learning dengan model CNN ResNet152v2 dengan Python untuk bahasa pemrogramannya serta Keras Tensorflow sebagai API. penelitian ini melakukan beberapa ekperimen untuk meningkatkan akurasi dan performa dengan memvariasikan dataset serta parameter seperti epoch, batch size, optimizer. Performa terbaik didapatkan dengan pengaturan parameter pada jumlah dataset 3000, epoch 15, batch size 16, dan optimizer Nadam dengan nilai akurasi hingga 96%. Hasil akurasi ini merupakan peningkatan yang didapatkan penelitian terdahulu yang menggunakan model VGG16 dengan akurasi hingga 92%.

---

COVID-19 is a disease that has become a pandemic in 2020. This disease is declared a pandemic because it is an epidemic that is so widespread that the entire world is exposed. In an effort to suppress the spread of the COVID-19 disease, many researchers have applied deep learning to detect this disease. Convolutional Neural Network (CNN) is a type of deep learning that is most widely used to classify X-ray images of the lungs. The algorithm developed in this study uses deep learning with the CNN ResNet152v2 model with Python for the programming language and Keras Tensorflow as the API. This study conducted several experiments to improve accuracy and performance by varying the dataset and parameters such as epoch, batch size, optimizer. The best performance is obtained by setting parameters on the number of datasets 3000, epoch 15, batch size 16, and optimizer Nadam with an accuracy up to 96%. The result of this accuracy is an improvement obtained from previous studies using the VGG16 model with an accuracy of up to 92%."

"Kanker payudara adalah salah satu kanker paling umum terjadi di kalangan wanita dan tingkat kelangsungan hidupnya cenderung rendah ketika stadiumnya ditemukan sudah tinggi. Untuk meningkatkan kelangsungan hidup kanker payudara, deteksi dini sangat penting. Ada dua cara untuk mendeteksi kanker payudara: diagnosis dini dan skrining. Untuk membuat diagnosa yang akurat pada stadium awal kanker payudara, munculnya massa dan mikro-kalsifikasi pada citra mamografi merupakan dua indikator penting. Beberapa Computer-Aided Detection (CADe) telah dikembangkan untuk mendukung ahli radiologi karena pendeteksian mikro-kalsifikasi penting dalam menegakkan diagnosis dan perawatan yang direkomendasikan berikutnya. Sebagian besar sistem CADe yang ada saat ini mulai menggunakan Convolutional Neural Network (CNN) untuk mengimplementasikan deteksi mikro-kalsifikasi pada mammogram dan hasil kuantitatifnya sangat memuaskan, rata-rata tingkat akurasinya lebih dari 90%. Penelitian ini melakukan pendekatan otomatis untuk mendeteksi lokasi setiap mikro-kalsifikasi pada citra mammogram yang lengkap dan secara sederhana. Total lebih dari 350 gambar dari dataset INbreast digunakan dalam studi penelitian ini serta implementasi menggunakan data lokal Rumah Sakit (RS) sebanyak 23 citra. Proses ini dapat membantu ahli radiologi untuk melakukan diagnosis dini dan meningkatkan akurasi deteksi wilayah mikro-kalsifikasi. Performa sistem yang diusulkan diukur berdasarkan nilai error Mean Squared Logarithmic Error (MSLE) sebagai teknik untuk mengetahui perbedaan antara nilai yang diprediksi oleh model yang diusulkan dan nilai sebenarnya, didapat nilai loss terbaik yang diperoleh adalah 0,05. Hasil validasi daring mendapatkan nilai sensitivitas sebesar 88.14%, presisi 91.6% dan akurasi sebesar 90.3%. Hasil implementasi pada data lokal RS menunjukkan model CADe dapat mendeteksi mikro-kalsifikasi dengan cukup baik.

---

Breast cancer is one of the most common cancer among women and the survival rate tends to be low when its stage found high when treated. To improve breast cancer survival, early detection is critical. There are two ways of detection for breast cancer: early diagnosis and screening. To make an accurate diagnosis in the early stage of breast cancer, the appearance of masses and micro-calcifications on the mammography image are two important indicators. Several Computer-Aided Detection (CADe) have been developed to support radiologists because the automatic detection of micro-calcification is important for diagnosis and the next recommended treatment. Most of the current CADe systems at this time started using Convolutional Neural Network (CNN) to implement the micro-calcification detection in mammograms and their quantitative results are very satisfying, the average level of accuracy is more than 90%. This research conducts an automated approach to detect the location of any micro-calcification in the mammogram images with the complete image and in a simple way. A total more than 350 images from INbreast dataset were used in this research study and for implementation used 23 images from local hospital data. This process can help as an assistant to the radiologist for early diagnosis and increase the detection accuracy of the microcalcification regions. The proposed system performance is measured according to the error values of Mean Squared Logarithmic Error (MSLE) as the technique to find out the difference between the values predicted by the proposed model and the actual values, the best loss value obtained by the training model was achieved in 0.05. The results for data online validation for sensitivity is 88.14%, precision is 91.6% and accuracy is 90.3%. The CADe model can detect micro-calcification quite well using local hospital data."

"Keausan mata pahat menjadi masalah utama dalam industri manufaktur ketika proses pemesinan karena keausan mata pahat menjadi pengaruh besar dalam kualitas produksi. Terdapat dua metode pemantauan tool wear, yaitu direct dan indirect. Direct tool wear monitoring merupakan metode pemantauan dengan melakukan pengukuran tingkat keausan mata pahat secara langsung pada proses pemesinan. Penelitian ini mengembangkan sistem manipulator sebagai robot inspeksi yang memiliki fungsi menggerakkan Dinolite sebagai alat bantu pemantauan keausan mata pahat secara visual. Penelitian ini merancang sistem mekanikal dari manipulator dalam pembuatan desain dan struktur mekanikal, kinematika dan dinamika dari manipulator, serta pengujian dari akurasi dan repeatability dari sistem. Sistem kinematika menggunakan inverse kinematics dan forward kinematics dengan menggunakan parameter Denavit-Hartenberg. Dalam mencari besarnya kecepatan end effector, digunakan persamaan Matriks Jacobian, dimana fungsi dari Matriks Jacobian tersebut digunakan dalam menentukan torsi dari tiap joint. Keluaran dari penelitian ini adalah sistem manipulator sebagai alat bantu pemantauan keausan mata pahat pada proses micromilling. Berdasarkan penelitian didapatkan nilai error hasil kompensasi untuk joint 1, 2 dan 3 sebesar -0,007%, 0,001%, dan 0,016%. Didapat juga nilai repeatability manipulator untuk mencapai suatu titik yang sama dengan rata-rata 0,307.

---

Tool wear is a major problem in the manufacturing industry during the machining process because the tool wear becomes a major influence on the quality of production. There are two tool wear monitoring methods, direct and indirect, direct tool wear monitoring is a monitoring method by measuring the level of tool wear directly on the machining process. This Research uses the assistance of a robotic arm manipulator as a tool for monitoring tool wear with the direct tool wear monitoring method. This research develops a manipulator system as an inspection robot, which has the function of moving Dinolite as a visualization device in monitoring tool wear. This research designs mechanical systems of manipulators, mechanical structures, kinematics and dynamics of manipulators, and testing of the accuracy and repeatability of the system. The kinematics system inverse kinematics and forward kinematics using the Denavit-Hartenberg parameter. To find the magnitude of the end effector speed the Jacobian Matrix equation is used, where the function of the Jacobian Matrix is used in determining the torque of each joint. The output of this research is the manipulator system as a tool for monitoring tool wear in the micro-milling process. Based on the research, the error value of the compensation results for joints 1, 2 and 3 was -0,007%, 0,001%, and 0,016%. There is also repeatability value of manipulator value to reach a point that is equal to an average of 0,307.

"

"Pandemi Coronavirus Disease-19, saat ini masih merupakan sebuah permasalahan di Negara Indonesia, dengan nilai infeksi yang mencapai 6 juta dan nilai kematian mencapai 156 ribu. Permasalahan ini juga turut menghambat dilakukannya kegiatan pembelajaran secara tatap muka, dikaerenakan pelaksanaan pembelajaran secara tatap muka dapat meningkatkan risiko mengingkatnya nilai infeksi Covid-19 di Indonesia. Salah satu metode pencegahan penyebaran virus ialah protokol Social Distancing, yang memiliki efektivitas hingga 84% dalam mencegah kemunculan kasus infeksi baru dan 66% untuk mencegah kematian akibat Covid-19. Efektivtias tersebut menyebabkan wajibnya implementasi protokol tersebut dalam pelaksanaan pembelajaran tatap muka. Skripsi ini bertujuan untuk mengembangkan sistem berbasis kecerdasan buatan untuk mendukung penerapan pembatasan jaga jarak fisik dengan berfungsi sebagai pemantau dan pemberi notifikasi pelanggaran jaga jarak di dalam lingkup kampus atau sekolah menggunakan teknologi computer vision dan IoT. Sistem ini dikembangkan dikarenakan sulitnya menegakan dan memantau pelanggaran jaga jarak. Arsitektur sistem terdiri dari sistem pengambilan citra, sebuah unit komputer pemrosesan, dan server pusat. Deteksi pelanggaran jaga jarak fisik dilakukan dengan melakukan prediksi terhadap jarak antar siswa menggunakan image processing dan pendekatan matematis. Basis dari unit komputer pemrosesan ialah arsitektur YOLO-v5, serta komunikasi antar perangkat menggunakan HTTP dan MQTT. Peringatan akan disampaikan dengan cara notifikasi melalui media sosial telegram agar tidak terlalu mengganggu kegiatan pembelajaran di kelas. Server yang digunakan juga menggunakan jasa cloud agar keamanan data serta reliabilitas sistem dapat terjamin. Uji coba dilaksanakan dalam dua jenis ruangan belajar, yakni ruang kelas dan ruang komputer dengan metode akuisisi dataset secara real-time dan non-real time. Hasil uji coba dari implementasi sistem menunjukan F1 Score sebesar 95.02% dan 92.98% dalam ruang kelas dan F1 Score sebesar 84.63% dan 62.64% dalam ruang komputer, serta total keterlambatan yang berada dibawah 3 detik. Sehingga sistem cocok untuk segera diimplementasikan di lingkungan sekolah khususnya dalam ruang kelas.

---

The Covid-19 Pandemic currently is still a problem to Indonesia, with infection numbers going up to 6 million and covid-related deaths up to 156 thousand. This threat is the main reason why Offline/Synchronous Learning has not been fully implemented, as it could increase the number of infections in Indonesia. One of the main means to prevent the spread of virus is the Social-Distancing Protocol, which proves to have 84% effectivity on preventing new cases, and 66% on preventing deaths. The high effectivity is the reason why it is mandatory for Educational Institution to implement those protocols during Offline Learning. This thesis aims to develop new means to improve social distancing watch and violations notification using the Computer Vision and IoT Technology. The system is developed as it is very hard to watch and notify of any ongoing violations in every classroom. The system is consisted of Cameras, Image Procesor, and Server. The Image Processor backend relies on the YOLOv5 architecture and the communication protocol behind devices is MQTT and HTTP. Alerts will be sent using telegram as it is efficient on not disturbing the school teaching processes. And the server will be based on cloud-services to ensure reliability. Tests are done using two types of study room, the regular classroom and computer laboratory, datas are acquired with two methods, real-time and non-real time. Implementations show 95.02% and 92.98% F1 Score on classroom, and tests on computer laboratory shows 84.63% and 62.64% F1 Score on detecting social distancing violations and delay under 3 seconds. Which shows that the system is capable of being deployed in schools especially on regular classrooms."

"Penelitian ini mengembangkan dan menganalisa sistem pendeteksi plagiarisme dua bahasa berbasis Latent Semantic Analysis untuk karya tulis berbahasa Indonesia dan referensi berbahasa Inggris. Sistem pendeteksi plagiarisme menggunakan algoritma backpropagation neural network untuk melakukan klasifikasi pasangan karya tulis berbahasa Indonesia dan Inggris yang sudah dinilai tingkatan plagiarismenya secara manual. Sistem dapat memperoleh klasifikasi akurasi F-measure sampai dengan 92.75. Hasil percobaan menunjukkan bahwa akurasi tertinggi dapat diperoleh jika menggunakan metode term frequency binary dalam penghitungan jumlah kata dan penggunaan frobenius norm, vector angle slice, dan vector angle pad sebagai pilihan fitur untuk masukan backpropagation neural network.

---

This research aims to develop and analyse dual language plagiarism detection system based on Latent Semantic Analysis for papers with Indonesian language and reference text with English language. The plagiarism detection system uses backpropagation neural network algorithm to classify pairs of Indonesian and English papers which plagiarism levels has been graded manually. The system has reached classification accuracy using F measure metric up to 92.75.

Experiment results show that the highest accuracy obtained when using term frequency binary method in counting frequency of words and using frobenius norm, vector angle slice, and vector angle pad features for backpropagtion neural network input."

"Kemajuan di bidang teknologi dan kecerdasan buatan memungkinkan inspeksi otomatis dapat dilakukan. Sebuah drone dilengkapi kamera yang dapat mengidentifikasi permasalahan struktur kapal seperti korosi akan membuat proses inspeksi kapal menjadi lebih efisien dari segi waktu dan biaya yang dibutuhkan sekarang. Pada studi ini dibuat model yang dilatih untuk dapat mengidentifikasi korosi secara otomatis dengan algoritma Convolutional Neural Network memanfaatkan metode transfer learning. MobileNetV2 dipilih sebagai artsitektur model klasifikasi yang memanfaatkan transfer learning dari ImageNet ke dalam dataset yang digunakan. Berdasarkan model yang telah dibuat model mencapai nilai akurasi training sebesar 92,86% dengan loss sebesar 0.0578 dan akurasi validasi sebesar 90,66% dengan loss sebesar 0.0091. Secara keseluruhan, model mempunyai performa yang baik dalam proses training maupun validasi dataset. Tidak ada indikasi overfitting berdasarkan kurva akurasi dan loss.

---

Advancements in technology and artificial intelligence make automated inspections become possible to do. A drone which is mounted with a camera identifying ship structural issues such as corrosion will make ship inspections become more efficient for a fraction of time and cost that is currently needed. In this study, a trained model is made in order to automatically identify corrosion using Convolutional Neural Network employing transfer learning method. MobileNetV2 is chosen as a classification model architecture which leverages transfer learning from ImageNet to the dataset. According to the data, the model achieved a training accuracy of 92,86% with loss 0.0578 and a validation accuracy of 90,66 with loss 0.0091. Overall, the model performs well on both the training and validation datasets. There is not any indication of overfitting based on their accuracy and loss curves."