DUANSEF, Ega Harizky (2026) Klasifikasi Citra Retak Beton Berbasis MobileNetv2: Analisis Penanganan False Negative Dan Hyperparameter Tunin. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Other (FULL TEXT) 24060119120040 - Ega - Bebas Perpus FSM.rar Restricted to Repository staff only Download (8MB) | Request a copy
	Text 1. COVER.pdf Download (246kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (356kB)
	Text 4. KATA PENGANTAR.pdf Download (531kB)
	Text 6. ABSTRAK.pdf Download (276kB)
	Text 7. ABSTRACT.pdf Download (188kB)
	Text 8. DAFTAR ISI.pdf Download (446kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (386kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (306kB)

Abstract

Deteksi kerusakan struktural seperti retakan pada beton merupakan langkah krusial dalam
pemeliharaan infrastruktur fisik. Penggunaan algoritma Deep Learning seperti
Convolutional Neural Network (CNN) terbukti andal untuk tugas klasifikasi citra. Namun,
dalam domain keselamatan infrastruktur, kegagalan model dalam mendeteksi retakan nyata
(False Negative) dapat menimbulkan risiko bahaya yang fatal. Penelitian ini bertujuan untuk
mengimplementasikan arsitektur MobileNetV2 berbasis Transfer Learning, melakukan
analisis komparatif efektivitas penanganan False Negative, serta membuktikan secara
empiris pengaruh independen hyperparameter Batch Size dan Learning Rate pada dinamika
kurva pembelajaran (learning curve). Eksperimen dilakukan menggunakan 40.000 dataset
citra yang dibagi ke dalam 4 skenario utama: Baseline, Cost-Sensitive Learning
(pembobotan penalti kelas), Custom Decision Threshold (penyesuaian ambang batas), dan
pendekatan Hibrida. Selain itu, dinamika kurva pembelajaran dievaluasi melalui metode
isolasi hyperparameter One Factor at A Time (OFAT) pada variasi Batch Size dan Learning
Rate. Hasil pengujian kurva menunjukkan bahwa kombinasi Batch Size 32 dan Learning
Rate 0,001 merupakan parameter dasar yang paling stabil. Pada pengujian penanganan False
Negative, pendekatan Hibrida terbukti kurang efektif karena memicu lonjakan False Positive
yang berlebih (over-penalized). Penerapan intervensi tunggal terbukti lebih superior, di
mana Cost-Sensitive Learning maupun Custom Threshold sukses menekan False Negative
menjadi 0 citra dan menahan False Positive di angka 13. Kinerja optimal ini menghasilkan
tingkat Precision 99,57%, Recall 100,00%, dan F1-Score 99,78%, serta mencatatkan
efisiensi waktu pelatihan tercepat (21 menit 10 detik). Penelitian ini membuktikan bahwa
intervensi penanganan kelas yang tepat, diiringi dengan evaluasi empiris hyperparameter,
mampu menghasilkan sistem klasifikasi yang sangat sensitif, stabil, dan andal secara
komputasi.
Kata Kunci: Batch Size, Deteksi Retak Beton, False Negative, Learning Rate,
MobileNetV2.

Actions (login required)

View Item