<![CDATA[Tires is a primary component in motorcycle that plays a crucial role in driving safety and comfort. Damage to tires, such as wear, cuts, or cracks, can reduce traction, disrupt stability, and increase the risk of traffic accidents. Generally, tire condition inspections are conducted conventionally by technicians who may have limitations in accurately detecting damage. This research aims to develop a tire damage classification system using the Convolutional Neural Network (CNN) method with the MobileNetV2 architecture and with transfer learning approach. The dataset used consists of motorcycle tire images categorized into four classes: normal, bald, cutburst, and spotwear. The training process was conducted using a grid search technique to determine the optimal hyperparameter configuration. The best results obtained with a combination of batch size 16, learning rate 0.001, and 43 epochs, yielding a test accuracy of 96.67%, precision of 95%, recall of 95%, and an F1-score of 95%.Keywords: Tire; Convolutional Neural Network; MobileNetV2 AbstrakBan merupakan komponen utama pada kendaraan sepeda motor yang berperan penting dalam keselamatan dan kenyamanan berkendara. Kerusakan pada ban, seperti keausan, sobekan, atau retakan, dapat mengurangi traksi, mengganggu stabilitas, dan meningkatkan risiko kecelakaan lalu lintas. Pemeriksaan kondisi ban secara umum masih dilakukan secara manual oleh teknisi, yang memiliki keterbatasan dalam hal objektivitas dan akurasi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kerusakan ban sepeda motor secara otomatis menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dengan pendekatan transfer learning. Dataset terdiri dari citra ban sepeda motor yang diklasifikasikan ke dalam empat kelas, yaitu normal, bald, cutburst, dan spotwear. Proses pelatihan dilakukan melalui metode grid search untuk menentukan konfigurasi parameter terbaik. Hasil terbaik diperoleh pada kombinasi hyperparameter dengan batch size 16, learning rate 0.001, dan jumlah epoch 43, menghasilkan akurasi uji sebesar 96,67%, precision 95%, recall 95% dan F1-score 95%.Kata kunci: Ban; Convolutional Neural Network; MobileNetV2]]>
Copyrights © 2025
