PERANCANGAN SISTEM INSPEKSI KERUSAKAN MENGGUNAKAN CITRA PADA JARINGAN PIPA BAWAH LAUT

Pipa Offshpore merupakan suatu teknologi untuk mengalirkan fluida seperti minyak, gas atau air dalam jumlah besar dan jarak yang jauh melalui laut atau daerah lepas pantai. Karena medan yang dilalui oleh saluran pipa sangat beragam, yakni mulai dari dalam laut, dataran rendah, lembah, dan di dalam tanah, maka dalam pengoperasiannya akan banyak ditemui berbagai macam persoalan, baik masalah kelelahan (fatigue), korosi (corrosion), dan retak (crack). Dari ketiga jenis permasalahan yang biasa dialami pipa, maka korosi dan keretakan menjadi persoalan yang sangat diperhatikan karena efek lanjutan dari korosi dan retak ini bisa mengakibatkan kebocoran dan ledakan yang sangat merugikan baik dari segi struktur maupun ekonomis. Melihat kondisi permasalahan tersebut, maka dirancang sebuah sistem inspeksi berbasis pengenalan citra kerusakan pada pipa bawah laut dengan menggunakan metode Convulational Neural Network (CNN) pada bahasa pemrograman Python. Metode CNN terdiri dari tiga tahap. Tahap pertama adalah klasifikasi citra kerusakan yang telah dibagi menjadi dua kategori yaitu “Corrosion” dan “Crack” dengan masing-masing data latih sebanyak 1200 gambar. Selanjutnya dilakukan data training menggunakan metode deep-feed fordward. Tahap kedua adalah tahap klasifikasi dengan bobot dan bias yang diperbarui training epoch. Tahap terakhir adalah tahap pengujiian Data Test untuk menilai tingkat keberhasilan proses training sebelumnya. Hasil uji coba dari klasifikasi citra kerusakan pipa (Crack dan Corrosion) dengan arsitektur CNN yang memiliki 2 lapisan konvulasi, 32 filter, dan 1 lapisan fully connected menghasilkan nilai akurasi mencapai 100% dan nilai eror mencapai 5.21e-5 % dalam 10 epoch. Sehingga dapat disimpulkan bahwa metode CNN yang digunakan pada Tugas Akhir ini mampu melakukan klasifikasi dengan baik.