Article Per Year (5 Year)
p-Index From 2021 - 2026
1.152
P-Index
This Author published in this journals
All Journal JMM (Jurnal Masyarakat Mandiri) SULUH: Jurnal Abdimas PROSIDING SEMINAR NASIONAL FISIKA (E-JOURNAL) RJOCS (Riau Journal of Computer Science) Jurnal Janata (Journal of Environmental Sustainability Management)
Agung Saputra
Prodi Elektro Fakultas Teknik Univ. Pancasila, Srengseng Sawah Jagakarsa, Jakarta, 12640
Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Environmental Science Library & Information Science Materials Science & Nanotechnology Physics Transportation Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
ANALISIS PERFORMA ARSITEKTUR ALEXNET DAN VGG16 PADA DATASET PRIMER CITRA LAPANGAN UNTUK DETEKSI KERUSAKAN PANEL SURYA Ninuk Wiliani; Agung Saputra; Iman Paryudi
RJOCS (Riau Journal of Computer Science) Vol. 12 No. 2 (2026): RJOCS (Riau Journal of Computer Science)
Publisher : Fakultas Ilmu Komputer, Universitas Pasir Pengaraian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30606/rjocs.v12i2.4979

Abstract

: Panel surya (photovoltaic) rentan mengalami penurunan efisiensi akibat kerusakan fisik permukaan seperti retak (crack) dan goresan (scratch). Penggunaan Deep Learning seperti AlexNet dan VGG16 merupakan pendekatan umum dalam visi komputer, namun evaluasinya pada kondisi citra lapangan (field condition) yang memiliki variasi pencahayaan dan latar belakang kompleks masih terbatas. Penelitian ini bertujuan untuk menguji dan membandingkan performa arsitektur AlexNet dan VGG16 dalam mengklasifikasikan kerusakan panel surya. Keterbaruan (novelty) penelitian ini bertumpu pada penggunaan dataset primer sebanyak 1.000 citra citra riil lapangan (500 crack dan 500 scratch) yang dilatih dari awal (training from scratch), serta penekanan evaluasi pada kapasitas pemisahan batas kelas (class separability) berbasis Area Under Curve (AUC) dan analisis kedalaman lapisan konvolusi. Kedua model dilatih menggunakan optimasi Adam (learning rate 0,001, batch size 16) dengan mekanisme Early Stopping. Hasil eksperimen menunjukkan bahwa meskipun AlexNet dan VGG16 memperoleh akurasi yang relatif berdekatan yaitu sebesar 88,93% dan 89,57% (selisih 0,64%), VGG16 menunjukkan keunggulan yang jauh lebih signifikan pada skor AUC yaitu 0,90 (Excellent Classification) dibandingkan AlexNet yang hanya sebesar 0,68 (Poor Classification). Kedalaman 13 convolutional layer berfilter kecil (3x3) pada VGG16 terbukti lebih presisi dalam mengekstrak fitur garis halus retakan tanpa terpengaruh noise lapangan dibandingkan filter besar pada AlexNet.
Co-Authors Ainil Syafitri Allan Fadrius Ananda Nurul Rizkiya Ananda Nurul Rizkiya Averina Chandra Averina Chandra Baharuddin, Gunawan Bambang Riono Arsad Defi Milenia Putri Wesha Defi Milenia Putri Wesha Dino Rimantho Duta Widhya Sasmojo Fauzie Busalim Fauzie Bussalim Ghina Nazhifah Ghina Nazhifah Gunady Haryanto Iman Paryudi Ir. Duta Widhya S., MT. Liani Budi R. M. Yaser M. Yaser Miskiyah & Wisn Agus Supriatna Somantri Miskiyah & Wisnu Broto Agus Supriatna Somantri Ninuk Wiliani Nur Yulianti Hidayah, Nur Yulianti Pipit Fitriyani Pipit Fitriyani Suryaningsih Suryaningsih Vector Anggit Pratomo Wisnu Broto