<![CDATA[Keamanan dalam operasional pelabuhan sangat ditentukan oleh kemampuan untuk mengawasi dan melindungi kontainer, yang meskipun berperan sebagai sarana utama perlindungan, masih rentan terhadap kerusakan. Rekaman CCTV di pelabuhan tidak dapat mengenali jenis kendaraan, seperti membedakan antara truk yang membawa kontainer dan yang tidak, serta tidak mampu mendeteksi kerusakan pada kontainer secara otomatis. Dalam mengatasi masalah ini, studi ini mengembangkan sebuah sistem untuk mendeteksi kontainer dan mengklasifikasikan jenis-jenis kerusakan seperti kerusakan struktural, korosi, depos, cacat pada cat, pembengkakan, serta masalah pada pintu kontainer, dengan memanfaatkan teknik machine learning. Menggunakan pendekatan Convolutional Neural Network (CNN) yang ditingkatkan dengan metode transferslearning dari DeepsConvolutional NeuralsNetworks(DCNN), penelitian ini memberikan solusi analitis untuk citra yang diperoleh. Dataset yang terdiri dari 3000 gambar kontainer sisi depan dan belakang dikategorikan secara manual melalui platform Roboflow. Model YOLOv7 yang terlatih pada dataset tersebut mampu mendeteksi kontainer dengan Skor F1 Terboboti mencapai 90%. Untuk tahap klasifikasi kerusakan kontainer, citra yang telah di-crop berdasarkan output YOLOv7 dianalisis kembali menggunakan model EfficientNetV2S dan ConvNeXtBase. Kedua model tersebut, dengan pemanfaatan transfer learning, menunjukkan performa yang dengan Weighted Average F1 Score berturut-turut sebesar 66% dan 72%. Penelitian ini membuka jalur baru untuk peningkatan keamanan dan pemeliharaan kontainer melalui penerapan model pengenalan gambar yang inovatif di lingkungan pelabuhan.]]>
