623
Progresif: Jurnal Ilmiah Komputer https://ojs.
stmik-banjarbaru.
id/index.
php/progresif/index Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat - Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 Klasifikasi Kelayakan Ban Sepeda Motor Menggunakan Metode Convolutional Neural Network DOI: http://dx.
org/10.
35889/progresif.
Creative Commons License 4.
0 (CC BY Ae NC) Azzar Rizky1*.
Wijang Widhiarso2.
Abdul Rahman3 Informatika.
Universitas Multi Data Palembang.
Palembang.
Indonesia *e-mail Corresponding Author: azzar.
arza@mhs.
Abstract Tires is a primary component in motorcycle that plays a crucial role in driving safety and 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 67%, precision of 95%, recall of 95%, and an F1-score of 95%.
Keywords: Tire.
Convolutional Neural Network.
MobileNetV2 Abstrak Ban 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 Hasil terbaik diperoleh pada kombinasi hyperparameter dengan batch size 16, learning 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 Pendahuluan Ban merupakan komponen paling vital pada kendaraan bermotor, khususnya sepeda Fungsi utama ban antara lain adalah menopang beban kendaraan, menyalurkan gaya gerak dan pengereman ke permukaan jalan.
Dengan peran tersebut, kondisi ban sangat memengaruhi performa kendaraan dan secara langsung berdampak pada aspek keselamatan dan kenyamanan pengendara.
Berdasarkan data yang dirilis ole Kementerian Perhubungan Republik Indonesia.
, tercatat bahwa sekitar 73% kecelakaan lalu lintas melibatkan sepeda motor, dan sekitar 9% dari kasus tersebut disebabkan oleh kerusakan atau kelalaian dalam perawatan ban.
Kerusakan pada ban, seperti aus, gundul, retak, atau sobek, dapat menyebabkan penurunan daya cengkram, kestabilan, hingga kemampuan pengereman yang berdampak langsung pada keselamatan berkendara.
Klasifikasi Kelayakan Ban Sepeda Motor Menggunakan Metode a Azzar Rizky 624 e-ISSN: e-ISSN: 2685-0877 Inspeksi kelayakan ban idealnya dilakukan oleh orang yang ahli di bidangnya agar hasil pemeriksaan dapat lebih akurat dan dipercaya.
Namun, ketergantungan pada pemeriksaan manual oleh teknisi memiliki keterbatasan, seperti keterbatasan waktu dan akses bagi Dalam pemeriksaan kelayakan ban secara konvensional juga memiliki kekurangan, seperti potensi terjadinya human error akibat subjektivitas teknisi.
Hal ini dapat mengakibatkan kesalahan dalam mendiagnosis kondisi ban.
Diagnosa yang keliru tidak hanya berpotensi meningkatkan biaya perawatan kendaraan, tetapi juga dapat menjadi faktor penyebab kecelakaan, sehingga membahayakan keselamatan pengendara dan pengguna jalan Di sisi lain, tidak semua pengguna kendaraan memiliki pengetahuan teknis atau kemampuan untuk menilai kelayakan ban secara visual.
Banyak pengendara yang tidak menyadari adanya kerusakan dini pada ban hingga terjadi insiden di jalan.
Oleh karena itu, dibutuhkan sistem inspeksi otomatis yang mampu melakukan identifikasi kerusakan secara cepat, tepat, dan objektif.
Sistem seperti ini diharapkan dapat mendukung proses inspeksi manual yang rawan kesalahan dengan pendekatan berbasis teknologi, yang lebih konsisten dan dapat diakses oleh pengguna umum.
Salah satu pendekatan modern yang berkembang pesat dalam bidang ini adalah penerapan Artificial Intelligence (AI), khususnya dalam bidang deep learning, untuk melakukan klasifikasi dan deteksi objek pada citra.
Dalam industri manufaktur.
Dalam bidang manufaktur.
CNN mampu mengidentifikasi cacat pengecoran logam dengan akurasi hingga 99,42%, menjadikannya solusi efisien untuk inspeksi kualitas permukaan logam secara real-time.
Di bidang medis, studi oleh Liu et al.
dalam The Lancet Digital Health mengungkapkan bahwa model CNN dapat menyamai dan bahkan melampaui performa tenaga medis dalam mendiagnosis penyakit melalui citra radiologi seperti CT-scan dan X-ray, dengan nilai AUC berkisar 0.
86Ae0.
99 pada berbagai kasus klinis.
Sementara itu, dalam konteks otomotif, penelitian oleh Sukmana et al.
menunjukkan bahwa CNN berbasis MobileNetV2 mampu mencapai akurasi hingga 96,48% dalam klasifikasi empat jenis kerusakan ban mobil.
Oleh sebab itu, penerapan deep learning dalam inspeksi visual ban dinilai memiliki potensial untuk menjawab tantangan dalam mendeteksi kerusakan ban sepeda motor secara lebih akurat, efisien, dan dapat diintegrasikan ke dalam perangkat lunak.
Tujuan dari penelitian ini adalah melakukan implementasi metode Convolutional Neural Network dengan arsitektur MobileNetV2 dalam melakukan klasifikasi kerusakan pada ban sepeda motor.
Penelitian ini dirancang untuk membedakan empat kategori kondisi ban secara visual, yaitu normal, bald, cutburst, dan spotwear, secara otomatis dan akurat.
Adapun kontribusi utama dari penelitian ini terletak pada pengembangan model klasifikasi multi-kelas.
Dengan demikian, model yang dikembangkan memiliki potensi untuk diterapkan dalam perangkat mobile dengan spesifikasi rendah, serta berperan sebagai solusi digital dalam mendukung pemeriksaan kondisi ban sepeda motor secara objektif dan konsisten.
Tinjauan Pustaka Dalam penelitian yang dilakukan oleh N.
Febriyanto et al.
Mengenai deteksi kerusakan dan kelayakan ban mobil, lima kategori kondisi ban yang umum terjadi pada ban mobil terdiri dari Normal.
Irregular Wear.
Spot Wear.
Tread Cut dan Cut Burst.
Kemudian beberapa penelitian klasifikasi kerusakan pada ban mobil dengan menggunakan metode deep learning telah dilakukan oleh Prayoga et al.
Dalam melakukan klasifikasi dua kategori ban mobil, hasi yang didapat accuracy 88% menggunakan metode CNN standar.
Selanjutnya, penelitian yang dilakukan oleh Candra Mayana & Leni .
Menggunakan metode CNN dengan arsitektur ResNet-34.
Menghasilkan accuracy 91.
6%, precision 90.
7%, recall 92.
7, dan f1-score Selanjutnya, penelitian oleh Hendrawan et al.
Dengan menggunakan metode CNN dengan arsitektur ResNet-50, hasil yang didapat adalah accuracy 94%, recall 94% dan precission 94%.
Kemudian, penelitian oleh S.
Sukmana et al.
Penelitian tersebut menggunakan empat kategori pada ban mobil yang terdiri dari Good.
Worn.
Cracked & Burst.
Hasil evaluasi menunjukkan performa model yang sangat baik dengan nilai accuracy 96.
56%, recall 96.
48% dan f1-score 96,48% dengan menggunakan arsitektur MobileNetV2.
Terdapat satu studi oleh Ebron et al.
yang meneliti ban sepeda motor menggunakan metode CNN, penelitian tersebut masih terbatas pada dua kelas, yaitu ban yang layak digunakan dan ban yang harus diganti.
Dalam praktiknya, inspeksi kelayakan ban kendaraan Jutisi: Vol.
No.
Agustus 2025: 623-633 Progresif e-ISSN: 2685-0877 harus mempertimbangkan jenis kerusakan ban secara spesifik.
Kerusakan pada ban bersifat lebih kompleks, seperti keausan merata .
, retakan atau sobekan pada permukaan ban .
, serta keausan titik .
pot wea.
yang sering dijumpai pada penggunaan harian sepeda motor.
Jenis-jenis kerusakan tersebut memiliki kemiripan dengan jenis kerusakan pada ban mobil yang telah banyak dikaji dalam studi literatur terdahulu, sehingga pendekatan yang digunakan pada ban mobil sangat relevan untuk diterapkan dalam konteks ban sepeda motor.
Melihat kapabilitasnya, arsitektur MobileNetV2 telah terbukti memiliki performa yang sangat baik mendeteksi kerusakan pada ban kendaraan roda empat.
Oleh karena itu, penelitian ini menggunakan arsitektur MobileNetV2 untuk membangun model klasifikasi kondisi kelayakan ban sepeda motor.
Model ini dirancang untuk mengenali empat kategori kondisi ban, yaitu: ban normal, keausan merata .
, retakan atau sobekan pada permukaan ban .
, dan keausan titik .
pot wea.
State of the art dari penelitian ini terletak pada perluasan skema klasifikasi kondisi ban sepeda motor yang sebelumnya masih terbatas pada pendekatan biner menjadi empat kelas kerusakan yang lebih representatif dan relevan dengan kondisi di lapangan, yaitu normal, bald, cutburst, dan spot wear.
Selain itu, penelitian ini memanfaatkan pendekatan transfer learning menggunakan arsitektur MobileNetV2, yang belum banyak diterapkan secara optimal dalam domain klasifikasi ban sepeda motor.
Penelitian ini juga menyertakan proses segmentasi citra manual dan validasi ahli untuk memastikan kualitas dataset.
Kebaruan .
dalam studi ini terletak pada usulan pendekatan klasifikasi kerusakan ban sepeda motor dengan mengatasi kompleksitas kerusakan visual yang beragam melalui pemanfaatan Convolutional Neural Network berbasis MobileNetV2.
Model yang dihasilkan dirancang untuk mampu melakukan klasifikasi multi-kelas secara akurat, ringan, dan dapat diimplementasikan pada perangkat dengan daya komputasi yang rendah.
Metodologi Penelitian ini dilakukan melalui beberapa tahap, dimulai dari identifikasi masalah, dilanjutkan dengan analisis solusi, kemudian pengumpulan data, perancangan, pengembangan model klasifikasi menggunakan CNN, serta diakhiri dengan evaluasi model untuk mengukur performa model yang dilatih.
Identifikasi Masalah Pada tahap ini, masalah terkait dengan pentingnya pemeliharaan kondisi ban sepeda motor dikemukakan dengan merujuk pada informasi yang didapatkan melalui media sosial dan studi literatur yang menganalisa fungsi dan dampak ban terhadap keselamatan berkendara.
Proses identifikasi diperkuat melalui kegiatan wawancara dengan beberapa pemangku kepentingan, yaitu Dinas Perhubungan Kota Palembang.
PT Thamrin Brothers Palembang.
CV Kencana Motor Sport dan Bengkel Dom Maker Palembang untuk memperoleh informasi mendalam mengenai kondisi lapangan.
Analisis Solusi Tahap ini dilakukan dengan pemilihan arsitektur yang akan digunakan, dengan melalui analisis mendalam terhadap berbagai alternatif dari studi literatur.
Metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 ditetapkan sebagai solusi terbaik karena kombinasi kelebihan yang dimiliki dalam menghadapi tantangan penggunaan di perangkat dengan sumber daya terbatas.
Arsitektur MobilenetV2 merupakan arsitektur Convolutional Neural Netork (CNN) versi kedua setelah arsitektur MobileNet.
MobileNetV2 memiliki 53 layer dengan total 3.
4 Juta Parameter.
MobileNetV2 menerapkan teknik Depthwise Separable Convolutions (DSC) untuk meningkatkan portabilitas serta mengatasi hilangnya informasi pada lapisan non-linear dalam blok konvolusi dengan menggunakan Linear Bottlenecks.
Selain itu.
MobileNetV2 juga menggunakan struktur Inverted Residual Blocks yang mempertahankan informasi dan memberikan peningkatan signifikan dalam penggunaan memori.
Struktur arsitektur MobileNetV2 dapat dilihat pada Gambar 1.
Klasifikasi Kelayakan Ban Sepeda Motor Menggunakan Metode a Azzar Rizky e-ISSN: e-ISSN: 2685-0877 Gambar 1.
Struktur Arsitektur MobileNetV2.
Arsitektur ini tidak hanya menjawab kebutuhan performa, tetapi juga mendukung pengembangan pada smartphone dengan dengan spesifikasi rendah.
Pengumpulan Data Karena ketidaktersediaan dataset publik tentang ban sepeda motor, data harus dikumpulkan secara mandiri diberbagai tempat di Kota Palembang.
Dataset dikumpulkan pada kondisi siang hari dengan pencahayaan yang bervariasi, dan jarak pengambilan gambar antara 25 cm hingga 50 cm menggunakan kamera ponsel yang memiliki spesifikasi kamera utama 48 MP dengan resolusi gambar 4284 x 4284 piksel.
Jenis dan kategori dataset yang diambil dapat dilihat pada Tabel 1.
Jenis Table 1.
Jenis dan Kategori Dataset Gambar Kategori Jumlah Normal Layak Bald Tidak Layak Cutburst Tidak Layak Spot Wear Setengah Layak Total Ban Normal dianggap layak karena kondisi fisiknya yang baik, kemampuannya dalam memberikan traksi optimal, dan mendukung kinerja kendaraan yang aman.
Sementara itu, ban aus merata .
dan retak .
dikategorikan sebagai tidak layak karena adanya keausan yang berlebih dan kerusakan struktural, yang dapat meningkatkan risiko kecelakaan.
Ban Keausan titik .
pot wea.
berada dalam kategori setengah layak, karena menunjukkan tanda-tanda keausan pada sebagian titik ban, dan dapat memengaruhi kinerja namun belum sepenuhnya kritis, sehingga memerlukan perhatian lebih.
Perancangan Alur tahap perancangan dapat dilihat pada Gambar 2.
Jutisi: Vol.
No.
Agustus 2025: 623-633 Progresif e-ISSN: 2685-0877 Gambar 2.
Skema Perancangan Klasifikasi Kelayakan Ban Sepeda Motor Tahap ini dimulai dengan mengumpulkan empat kelas data kerusakan ban yang umum terjadi pada kendaraan sepeda motor.
Setelah dataset terkumpul, dilakukan proses validasi dan verifikasi label oleh mekanik berpengalaman dari PT Thamrin Brothers Palembang dan Bengkel Dom Maker Palembang, guna memastikan bahwa setiap citra telah diklasifikasikan ke dalam kelas yang sesuai berdasarkan kondisi ban yang sebenarnya.
Selanjutnya, dilakukan tahapan preprocessing pada data citra yang meliputi proses segmentasi manual, yaitu dengan menghapus latar belakang gambar agar objek ban menjadi fokus utama.
Selain itu, dilakukan pembersihan terhadap citra yang duplikat dan buram .
, pemotongan area citra yang tidak relevan .
, serta penyesuaian ukuran citra .
agar sesuai dengan dimensi input arsitektur MobileNetV2.
Setelah itu dilakukan augmentasi pada dataset untuk menambahkan variasi pada data agar model dapat mengenali objek dengan lebih baik meskipun dalam orientasi atau posisi yang berbeda.
Teknik pada augmentasi terdiri dari rotation, flipping horizontal, zooming, serta perubahan brightness.
Kemudian dilakukan partisi data dengan membagi data menjadi data trainning, data validation, dan data testing dengan rasio 80:10:10 yang dapat dilihat pada Tabel Tabel 2.
Pembagian data Kategori Presentase Jumlah Data Trainning Data Validation Data Testing Pengembangan Model Pada tahap ini, model dikembangkan menggunakan platform Jupyter Notebook dan mengimplementasikan metode Convolutional Neural Network (CNN) menggunakan arsitektur MobileNetV2.
Arsitektur ini menggunakan pendekatan supervised learning sebagai metode Tahap pengembangan model dengan arsitektur MobileNetV2 dapat dilihat pada Gambar 3.
Dataset citra ban yang telah diklasifikasikan berdasarkan empat kondisi diproses dalam tahap feature extraction, di mana karakteristik visual penting seperti pola tapak, retakan, dan tingkat keausan diekstraksi dan dikonversi menjadi representasi numerik .
eature matri.
Feature matrix ini menjadi input utama dalam proses pelatihan model.
Penelitian ini menggunakan pendekatan transfer learning yaitu dengan memanfaatkan keseluruhan bobot dari arsitektur MobileNetV2 yang telah dilatih pada ImageNet.
Tidak hanya pada base model, seluruh lapisan model pre-trained digunakan secara utuh tanpa dilakukan fine-tuning.
Model ini kemudian diadaptasi untuk tugas klasifikasi empat kelas dengan menambahkan lapisan output .
ense laye.
berukuran 4 unit, yang dilengkapi dengan fungsi aktivasi softmax untuk menghasilkan distribusi probabilitas dari masing-masing kelas.
Klasifikasi Kelayakan Ban Sepeda Motor Menggunakan Metode a Azzar Rizky e-ISSN: e-ISSN: 2685-0877 Gambar 3.
Tahap Pengembangan Model dengan Arsitektur MobileNetV2 Tahap pelatihan model dilakukan melalui proses hyperparameter tuning dalam memperoleh konfigurasi parameter terbaik guna menghasilkan performa optimal.
Proses ini dilakukan dengan menggunakan metode grid search.
Metode ini merupakan metode exhaustive search, di mana nilai-nilai hyperparameter ditentukan menggunakan batas bawah, batas atas, dan jumlah steps tertentu.
Metode ini akan mencari semua kemungkinan dengan menyusun sebuah grid dan kemudian akan dievaluasi untuk mendapatkan hasil terbaik dari kombinasi yang ada secara sistematis.
Hyperparameter yang di tuning dapat dilihat pada Tabel 3.
Tabel 3.
Hyperparameter Tuning Klasifikasi Kelayakan Ban Sepeda Motor Parameter Keterangan Optimizer Adam Optimizer Learning Rate .
1, 0.
01, 0.
001, dan 0.
Batch Size .
, 32, 64, dan .
Epoch .
, 25, 50, 75 dan .
Proses pelatihan model dilakukan menggunakan Adam Optimizer karena kemampuannya dalam menyesuaikan learning rate secara adaptif selama pelatihan.
Jumlah epoch ditetapkan dalam rentang 10 hingga 100, dengan penerapan teknik early stopping .
atience = .
untuk mencegah overfitting dan menghentikan pelatihan secara otomatis saat model tidak menunjukkan peningkatan performa pada data validasi.
Evaluasi Model Evaluasi model dilakukan menggunakan confussion matrix dengan metrik accuracy, precision, recall dan f1-score.
Penggunaan metrik ini didasarkan pada empat komponen utama dalam klasifikasi, yaitu true positive (TP), true negative (TN), false positive (FP), dan false negative (FN).
TP mengacu pada sampel yang diklasifikasikan sebagai positif dan memang benar berasal dari kelas positif.
TN adalah sampel dari kelas negatif yang berhasil diprediksi dengan benar.
Sebaliknya.
FP merupakan sampel dari kelas negatif yang keliru diprediksi sebagai kelas positif, sementara FN adalah sampel dari kelas positif yang salah diprediksi sebagai negatif .
Nilai Jutisi: Vol.
No.
Agustus 2025: 623-633 Progresif e-ISSN: 2685-0877 accuracy dihitung berdasarkan Persamaan .
, recall menggunakan Persamaan .
, precision menggunakan persamaan .
, dan F1 score menggunakan persamaan .
Hasil dan Pembahasan Hasil Model klasifikasi citra ban sepeda motor dikembangkan menggunakan arsitektur MobileNetV2 telah berhasil dilatih dengan melibatkan pencarian hyperparameter terbaik menggunakan metode grid search, dengan konfigurasi optimal batch size 16, epoch 43 dan learning rate 0,001.
Performa model dalam melakukan klasifikasi citra ban dievaluasi menggunakan data validation dan data testing.
Evaluasi dilakukan untuk mengetahui kemampuan generalisasi model terhadap data yang belum pernah dilihat sebelumnya.
Tabel 4 merangkum hasil evaluasi dari model terhadap akurasi, loss, dan waktu pelatihan.
Tabel 4.
Hasil Evaluasi Model CNN MobileNetV2 Parameter Nilai Validation Accuracy 96,67% Validation Loss Test Accuracy 96,67% Test Loss Trainning Time 61 Second Dari tabel hasil dapat dilihat bahwa nilai akurasi model sangat tinggi, baik pada data validasi maupun data uji, dengan nilai yang identik yaitu 96,67%.
Hal ini menunjukkan bahwa model memiliki kemampuan generalisasi yang sangat baik, karena mampu mempertahankan performa yang konsisten meskipun diuji pada data yang belum pernah dilihat sebelumnya.
Gambar 4.
Grafik Tranining and Validation Accuracy Gambar 4 merupakan grafik training and validation accuracy yang menunjukkan peningkatan performa model yang signifikan sejak epoch pertama.
Akurasi pelatihan meningkat secara konsisten dan stabil setelah sekitar epoch ke-10, hingga mencapai nilai mendekati Sementara itu, akurasi validasi juga mengalami peningkatan pesat dan stabil di angka sekitar 96Ae97% mulai dari epoch ke-15 hingga akhir pelatihan.
Perbedaan antara kedua kurva relatif kecil, yang mengindikasikan bahwa model mampu melakukan generalisasi dengan baik tanpa overfitting yang signifikan.
Konsistensi antara akurasi pelatihan dan validasi ini menunjukkan bahwa model dapat mengenali pola-pola penting dari citra ban secara efektif di semua kelas.
Klasifikasi Kelayakan Ban Sepeda Motor Menggunakan Metode a Azzar Rizky e-ISSN: e-ISSN: 2685-0877 Gambar 5.
Grafik Tranining and Validation Loss Gambar 5 merupakan grafik training and validation loss yang menunjukkan bahwa nilai loss pada data pelatihan mengalami penurunan tajam di awal epoch dan terus menurun hingga mencapai nilai rendah (< 0.
mendekati akhir pelatihan.
Pola serupa juga terlihat pada loss validasi, meskipun fluktuasi kecil masih terjadi, perbedaan antara loss pelatihan dan validasi sangat kecil, mengindikasikan bahwa tidak memiliki gap besar antara kemampuan belajar dan kemampuan generalisasi model.
Hal ini membuktikan bahwa model belajar secara efisien tanpa overfitting, dan bahwa pendekatan early stopping yang digunakan berhasil menghentikan pelatihan pada saat performa optimal telah dicapai.
Untuk mengukur performa model secara lebih rinci, dilakukan evaluasi menggunakan Confusion Matrix.
Evaluasi ini tidak hanya melihat akurasi keseluruhan, tetapi juga bagaimana model memprediksi masing-masing kelas secara spesifik melalui metrik precision, recall, dan F1-score.
Hasil dari Confusion Matrix di tunjukkan pada Gambar 6.
Gambar 6.
Confusion Matrix Klasifikasi Kelayakan Ban Sepeda Motor Berdasarkan hasil yang diperoleh, sebanyak 57 dari 60 citra berhasil diklasifikasikan dengan benar oleh model, dengan hanya tiga kesalahan klasifikasi minor yang terjadi antara kelas cutburst, spotwear, dan bald.
Hal ini menunjukkan bahwa kebingungan antar kelas sangat minim, dan model memiliki ketajaman klasifikasi yang baik, bahkan terhadap jenis kerusakan yang memiliki kemiripan secara tekstur.
Jutisi: Vol.
No.
Agustus 2025: 623-633 Progresif e-ISSN: 2685-0877 Kelas Tabel 5.
Classification Report Precision Recall F1-Score Support Normal Bald Cutburst Spot Wear Accuracy Macro avg Weighted avg Hasil classification report pada Tabel 5 menunjukkan bahwa model klasifikasi yang dibangun mampu menghasilkan nilai precision, recall, dan F1-score yang tinggi dan seimbang di keempat kelas.
Dengan akurasi keseluruhan sebesar 95%, serta F1-score mencapai 1.
pada kelas normal dan di atas 0.
90 untuk kelas lainnya, model terbukti efektif dalam mengenali karakteristik visual masing-masing jenis kerusakan ban.
Pembahasan Hasil pelatihan dan pengujian menunjukkan bahwa model CNN dengan arsitektur MobileNetV2 yang dibangun dalam penelitian ini mampu mengklasifikasikan kondisi ban sepeda motor secara akurat.
Berdasarkan hasil evaluasi menggunakan data uji, model mencapai akurasi sebesar 96,67%, dengan nilai precision, recall, dan F1-score sebesar 95%.
Angka ini menunjukkan bahwa model tidak hanya mampu mengenali setiap kategori kerusakan dengan baik, tetapi juga mempertahankan kinerja yang seimbang di keempat kelas, yaitu normal, bald, cutburst, dan spotwear.
Kinerja ini juga tercermin dari kurva pelatihan yang stabil dan konvergen, di mana kurva akurasi dan loss pada data pelatihan serta validasi menunjukkan perbedaan yang minimal.
Stabilitas tersebut menandakan bahwa model tidak mengalami overfitting, dan mampu melakukan generalisasi terhadap data yang belum pernah dilihat sebelumnya.
Pelatihan dihentikan secara otomatis pada epoch ke-43 melalui penerapan teknik early stopping dengan patience = 5.
Hal ini menjadi bukti bahwa model dapat mencapai performa terbaiknya tanpa harus menjalani pelatihan hingga 100 epoch, sehingga waktu pelatihan dapat dioptimalkan.
Evaluasi lebih lanjut menggunakan classification report memperlihatkan bahwa kelas normal diklasifikasikan dengan sempurna .
recision dan recall = 1.
, sedangkan kelas cutburst dan spotwear memiliki nilai recall dan precision yang sedikit lebih rendah, namun masih dalam kategori tinggi.
Hal ini wajar mengingat karakteristik visual dari beberapa kelas memiliki kemiripan tekstur atau pola, seperti antara cutburst dan spotwear, yang berpotensi menyebabkan kebingungan model dalam proses prediksi.
Selain itu, confusion matrix menguatkan analisis performa model.
Dari 60 data uji, hanya terjadi 3 kesalahan klasifikasi.
Sebagian besar kesalahan merupakan misprediksi antar kelas minor, dan tidak menunjukkan kecenderungan berat sebelah pada kelas tertentu.
Artinya, model tidak bias terhadap tiga kategori kerusakan ban dan mampu mengenali setiap kelas secara proporsional.
Pencapaian ini didukung oleh penggunaan transfer learning, yang memanfaatkan bobot pretrained dari MobileNetV2 yang dilatih pada dataset ImageNet.
Dengan memanfaatkan kemampuan fitur generalisasi awal dari model tersebut dan menambahkan dense layer dengan aktivasi softmax untuk klasifikasi empat kelas, pelatihan dapat dilakukan lebih efisien dan tetap menghasilkan performa tinggi meskipun dengan dataset terbatas.
Pendekatan ini terbukti efektif untuk tugas klasifikasi citra spesifik seperti kondisi kerusakan ban sepeda motor.
Jika dibandingkan dengan penelitian terdahulu, kontribusi penelitian ini memberikan penguatan terhadap temuan oleh Sukmana et al.
, yang menunjukkan bahwa MobileNetV2 dapat mencapai akurasi tinggi .
,48%) pada klasifikasi empat kondisi ban mobil.
Penelitian ini berhasil memperluas penerapan arsitektur tersebut ke ranah sepeda motor dengan kompleksitas kerusakan yang mirip, namun belum banyak diteliti secara spesifik.
Selain itu, penelitian ini juga melengkapi studi oleh Ebron et al.
, dengan menambahkan dimensi klasifikasi multi-kelas yang lebih representatif terhadap realitas di lapangan.
Klasifikasi Kelayakan Ban Sepeda Motor Menggunakan Metode a Azzar Rizky 632 e-ISSN: e-ISSN: 2685-0877 Simpulan Penelitian ini berhasil membuktikan bahwa metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dan pendekatan transfer learning mampu mengklasifikasikan kerusakan ban sepeda motor secara otomatis dan akurat.
Model yang dikembangkan mampu mengenali empat kategori kondisi ban normal, bald, cutburst, dan spotwear dengan performa sangat tinggi, ditunjukkan oleh akurasi uji sebesar 96,67%, serta nilai precision, recall, dan F1-score rata-rata sebesar 95%.
Hasil ini menunjukkan bahwa model memiliki kemampuan generalisasi yang baik dan mampu melakukan klasifikasi secara seimbang pada tiap kelas.
Temuan ini menjawab permasalahan yang diangkat dalam penelitian, yaitu perlunya sistem yang dapat melakukan pemeriksaan kelayakan ban secara objektif, efisien, dan dapat diandalkan tanpa bergantung sepenuhnya pada inspeksi manual.
Evaluasi melalui classification report dan confusion matrix mengindikasikan bahwa model menunjukkan distribusi prediksi yang proporsional serta kesalahan klasifikasi yang Penggunaan transfer learning dari model pretrained ImageNet memungkinkan pelatihan dilakukan secara lebih efisien tanpa memerlukan dataset berukuran besar.
Ke depan, pengembangan lebih lanjut dapat diarahkan pada peningkatan variasi dan volume dataset, baik dari segi jenis kerusakan, kondisi pencahayaan, maupun sudut pengambilan gambar, agar model semakin robust dalam menghadapi kondisi nyata di lapangan.
Selain itu, model ini memiliki prospek implementasi luas dan berpotensi diterapkan dalam sistem bantu inspeksi berbasis perangkat lunak, baik di lingkungan bengkel maupun aplikasi mobile untuk pengguna individu, sehingga dapat berkontribusi pada peningkatan keselamatan berkendara secara lebih Daftar Referensi .
Ponda.
Fatma, dan I.
Siswantoro.
AuUsulan Penerapan Lean Manufacturing Dengan Metode Value Stream Mapping (VSM) Dalam Meminimalkan Waste Pada Proses Produksi Ban Motor Pada Industri Pembuat Ban,Ay Heuristic, vol.
19, no.
1, pp.
23Ae42, 2022, doi:
30996/heuristic.
RI.
AuTekan Angka Kecelakaan Lalu Lintas.
Kemenhub Ajak Masyarakat Beralih ke Transportasi Umum dan Utamakan Keselamatan Berkendara,Ay Kementrian Perhubungan Republik Indonesia.
Accessed:
Oct.
[Onlin.
Available:
https://dephub.
id/post/read/tekan-angka-kecelakaan-lalu-lintas,-kemenhub-ajakmasyarakat-beralih-ke-transportasi-umum-dan-utamakan-keselamatan-berkendara# [Diakses: 07 Oktober 2.
Hendrawan.
Adam, dan C.
Rozikin.
AuKlasifikasi Retak Ban Kendaraan Menggunakan Arsitektur ResNet50,Ay SATIN - Sains dan Teknologi Informasi, vol.
9, no.
23Ae32, 2023, doi: 10.
33372/stn.
Jawi dan A.
Hamzah.
Car UsersAo Knowledge and Practices on Tyre Maintenance in Malaysia.
MRR No.
Malaysian Institute of Road Safety Research (MIROS),pp.
1Ae34 Jan.
Ekambaram and V.
Ponnusamy.
AuIdentification of Defects in Casting Products by using a Convolutional Neural Network,Ay IEIE Trans.
Smart Process.
Comput.
, vol.
11, no.
3, pp.
149Ae155, 2022, doi: 10.
5573/IEIESPC.
Liu.
Faes.
Kale, et al.
AuA comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis,Ay Lancet Digital Health, vol.
1, no.
6, pp.
e271Aee297, 2019, doi:
1016/S2589-7500.
Sukmana.
Rahmad.
Khairy.
Ariyanto, dan R.
Andhani.
AuClassification of Damage to Car Tires Using Mobile-Based Deep Learning,Ay Prosiding IEIT 2024 - Int.
Conf.
on Electrical and Information Technology.
Surabaya, pp.
176Ae181, 10 Januari 2024, doi:
1109/IEIT64341.
Sharma.
Sharma, dan N.
Jindal.
AuMachine Learning and Deep Learning ApplicationsA Vision,Ay Global Transitions Proceedings, vol.
2, no.
1, pp.
24Ae28, 2021, doi:
1016/j.
Febriyanto.
Rahmad, dan C.
Vista.
AuKlasifikasi Kelayakan Ban Mobil dengan Deep Learning,Ay Jurnal Informatika Polinema, vol.
7, no.
4, pp.
58Ae64, 2021.
Prayoga.
Magdalena, dan S.
Saidah.
AuSistem Deteksi Kecacatan Ban Dengan Convolutional Neural Network,Ay e-Proceeding of Engineering, vol.
10, no.
3, pp.
2229Ae Jutisi: Vol.
No.
Agustus 2025: 623-633 Progresif e-ISSN: 2685-0877 2234, 2023.
Mayana dan D.
Leni.
AuDeteksi Kerusakan Ban Mobil Menggunakan Convolutional Neural Network dengan Arsitektur ResNet-34,Ay Surya Teknik, vol.
10, pp.
45Ae50, 2023.
Ebron.
Paliso.
Reyes.
Tongol.
Clavillas, dan D.
Ortega.
AuPredicting Motorcycle Tire Failure with Deep Learning,Ay Proc.
Int.
Conf.
on ICT and Knowledge Engineering (ICTKE).
Bangkok, pp.
1Ae6, 15 Maret 2024, doi:
1109/ICTKE62841.
Luo.
He.
Zhan.
Wang.
Gao, dan J.
Dai.
AuComparison and Benchmarking of AI Models and Frameworks on Mobile Devices,Ay arXiv preprint, arXiv:2005.
05085, 2020.
[Onlin.
Available: http://arxiv.
org/abs/2005.
05085 [Diakses: 01 Desember 2.
Nguyen.
Nguyen.
Duong-Ba.
Nguyen.
Nguyen, dan T.
Tran.
AuJoint network coding and machine learning for error-prone wireless broadcast,Ay Proc.
Ie 7th Annu.
Comput.
Commun.
Work.
Conf.
(CCWC).
Las Vegas, pp.
1Ae6, 9 Januari 2017, doi:
1109/CCWC.
Sandler.
Howard.
Zhu.
Zhmoginov, dan L.
Chen.
AuMobileNetV2: Inverted Residuals and Linear Bottlenecks,Ay Proc.
Ie Conf.
on Computer Vision and Pattern Recognition (CVPR).
Salt Lake City, pp.
4510Ae4520, 2018.
Khasoggi.
Ermatita, dan Samsuryadi.
AuEfficient MobileNet Architecture as Image Recognition on Mobile and Embedded Devices,Ay Indonesian Journal of Electrical Engineering and Computer Science, vol.
16, no.
1, pp.
389Ae394, 2019, doi:
11591/ijeecs.
Shekar.
AuOptimizing CNN Training using Batch Normalization and Dropout: A Case Study,Ay Lect.
Notes Networks Syst.
, vol.
535, pp.
1Ae8, 2019.
Anggoro dan S.
Mukti.
AuPerformance Comparison of Grid Search and Random Search Methods for Hyperparameter Tuning in Extreme Gradient Boosting Algorithm to Predict Chronic Kidney Failure,Ay Int.
Intell.
Eng.
Syst.
, vol.
14, no.
6, pp.
198Ae207, 2021, doi: 10.
22266/ijies2021.
Turihohabwe.
Richard, dan W.
William.
AuHyperparameter Optimization Through Transfer Learning for Classification Tasks,Ay Indonesian Journal of Computer Science, vol.
14, no.
1, pp.
1Ae13, 2025.
Sharma dan K.
Guleria.
AuA Deep Learning based Model for the Detection of Pneumonia from Chest X-Ray Images using VGG-16 and Neural Networks,Ay Procedia Computer Science, vol.
218, pp.
357Ae366, 2022, doi: 10.
1016/j.
Klasifikasi Kelayakan Ban Sepeda Motor Menggunakan Metode a Azzar Rizky