ANALISIS KOMPARATIF EKSTRAKTOR FITUR VGG-16, VGG-19, INCEPTION V3 UNTUK KLASIFIKASI KONDISI BAN MENGGUNAKAN METODE EVALUASI VISUAL DAN BERBASIS KLASTER

Abstract

Mendeteksi kondisi ban kendaraan secara otomatis menjadi aspek penting dalam meningkatkan keselamatan berkendara. Penelitian ini bertujuan mengembangkan model klasifikasi untuk membedakan kondisi ban dalam dua kategori, yaitu good dan defective, dengan tingkat akurasi yang optimal. Dataset yang digunakan terdiri dari 110 citra ban yang seimbang antar kelas. Tahapan penelitian meliputi prapemrosesan citra (resizing, normalisasi, dan augmentasi), ekstraksi fitur menggunakan model deep learning (VGG-16, VGG-19, dan Inception V3), serta klasifikasi menggunakan algoritma machine learning seperti Logistic Regression, Support Vector Machine (SVM), dan Neural Network. Hasil penelitian menunjukkan bahwa VGG-16 merupakan model yang paling stabil dan andal, didukung oleh performa klasifikasi yang lebih konsisten serta visualisasi MDS yang relatif terstruktur dengan nilai silhouette positif meskipun masih terjadi tumpang tindih antar kelas. Sebaliknya, VGG-19 menunjukkan performa terendah dengan kemampuan ekstraksi fitur yang kurang diskriminatif. Inception V3 berada pada tingkat kinerja menengah, cukup baik dalam mendeteksi kerusakan besar namun kurang sensitif terhadap kerusakan kecil. Temuan ini mengindikasikan bahwa penggunaan citra visual saja belum cukup untuk menghasilkan pemisahan kelas yang kuat. Oleh karena itu, integrasi data multimodal seperti tekanan dan kedalaman tapak ban direkomendasikan untuk meningkatkan akurasi sistem.