Klasifikasi Kondisi Isolator Menggunakan Logistic Regression dan Support Vector Machine dengan Analisis Citra Berbasis VGG-16, VGG-19, dan Inception V3: Classification of Insulator Conditions Using Logistic Regression and Support Vector Machine with Image Analysis Based on VGG-16, VGG-19, and Inception V3

Aris Purwaningtyas (Universitas Airlangga)
Imam Yuadi (Universitas Airlangga)

Malcom: Indonesian Journal of Machine Learning and Computer Science
Vol. 6 No. 3 (2026): MALCOM July 2026

Keandalan sistem ketenagalistrikan sangat bergantung pada kondisi isolator sebagai komponen yang mencegah kebocoran arus listrik, karena kerusakannya dapat memicu gangguan hingga pemadaman berskala luas. Meskipun inspeksi menggunakan Unmanned Aerial Vehicle (UAV) semakin banyak diterapkan, analisis visual masih dilakukan secara manual sehingga cenderung subjektif, tidak konsisten, dan memerlukan waktu yang lama. Penelitian ini mengembangkan sistem klasifikasi kondisi isolator berbasis citra menggunakan platform Orange Data Mining. Model pre-trained Deep Convolutional Neural Network (DCNN), yaitu VGG-16, VGG-19, dan Inception V3, dimanfaatkan sebagai feature extractor, sedangkan Logistic Regression dan Support Vector Machine (SVM) digunakan sebagai algoritma klasifikasi untuk membedakan isolator normal dan terkontaminasi. Dataset terdiri atas 168 citra isolator keramik dan kaca yang diperoleh melalui inspeksi lapangan menggunakan drone. Evaluasi dilakukan menggunakan 5-fold stratified cross-validation untuk menjaga distribusi kelas pada setiap fold. Hasil menunjukkan bahwa kombinasi VGG-19 dan Logistic Regression memberikan performa terbaik dengan akurasi 96,4%, AUC 0,986, dan Matthews Correlation Coefficient (MCC) 0,929, serta menurunkan false positive menjadi 3,6%. Temuan ini menunjukkan efektivitas pendekatan hybrid DCNN–machine learning untuk deteksi dini kondisi isolator secara otomatis.