<![CDATA[Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis berbasis arsitektur Convolutional Neural Network untuk mendeteksi jenis kerusakan pada mobil melalui data citra. Sistem ini diharapkan dapat mempercepat dan meningkatkan akurasi proses penilaian kerusakan pada klaim asuransi dan perbaikan kendaraan. Lima arsitektur telah diimplementasikan, yaitu MobileNetV2, EfficientNetV2S, NASNetMobile, ResNet50, dan model konvolusional yang dirancang sendiri, dengan menggunakan dataset berjumlah 1.594 citra yang terbagi dalam enam kelas kerusakan. Proses pelatihan mencakup praproses data, augmentasi, dan evaluasi performa berdasarkan akurasi pengujian. Hasil menunjukkan bahwa EfficientNetV2S memberikan performa terbaik dengan akurasi pengujian sebesar 84,2%. Studi ini membuktikan efektivitas arsitektur pretrained dalam membangun sistem inspeksi visual otomatis pada kendaraan dan membuka potensi pemanfaatan lebih lanjut dalam digitalisasi proses klaim asuransi otomotif.]]>
Copyrights © 2025
