<![CDATA[Inspeksi integritas pipa pada industri vital seperti minyak dan gas saat ini masih bergantung pada metode manual yang kurang efisien dan berisiko tinggi. Permasalahan utama seperti korosi dapat menyebabkan kebocoran dan kerusakan lingkungan jika tidak terdeteksi secara dini dan akurat. Sebagai solusinya, teknologi deep learning menawarkan berbagai pendekatan, mulai dari klasifikasi hingga deteksi objek. Namun, pendekatan segmentasi semantik dipilih karena kemampuannya menawarkan potensi otomatisasi penuh untuk identifikasi area korosi secara presisi piksel-demi-piksel. Penelitian ini melakukan analisis komparatif antara kinerja arsitektur U-Net standar dengan DeepLabV3+ yang menggunakan backbone ResNet50. Kinerja kedua model dievaluasi pada 108 gambar asli, yang diproses melalui augmentasi menjadi total 1.261 data latih dan validasi. Perbandingan difokuskan pada dua tugas terpisah: segmentasi aset pipa utuh dan segmentasi korosi. Penilaian Intersection over Union (mIoU) menunjukkan DeepLabV3+ secara signifikan mengungguli U-Net dalam segmentasi aset dengan nilai 0.862 berbanding 0.735. Sebaliknya, U-Net menunjukkan dkeunggulan tipis pada segmentasi korosi dengan mIoU 0.779 berbanding 0.701. Secara komputasi, DeepLabV3+ dengan waktu rata-rata 0.44 detik terbukti jauh lebih efisien daripada U-Net dengan rata-rata 1.24 detik. Dengan demikian, DeepLabV3+ menawarkan keseimbangan terbaik antara akurasi segmentasi aset yang superior dan efisiensi tinggi, menjadikannya kandidat model yang robust untuk pengembangan sistem inspeksi visual otomatis di lapangan.]]>
Copyrights © 2026
