Deteksi Crack dan Korosi pada Pipa Bawah Air dengan Remotely Operated Underwater Vehicle (ROUV) Berbasis Transfer Learning

Abstract

Jaringan perpipaan di bawah laut menghadapi gangguan yang lebih signifikan dibandingkan dengan pipa di daratan. Gangguan-gangguan ini termasuk tabrakan oleh kapal, ombak, dan berbagai gangguan lainnya yang dapat merusak pipa bawah laut. Salah satu kerusakan yang mungkin terjadi adalah retakan (crack) dan korosi pada pipa. Oleh karena itu, sangat diperlukan perawatan pada sistem perpipaan bawah laut untuk mengantisipasi kerugian besar akibat kebocoran pipa. Berdasarkan latar belakang tersebut, dibutuhkan suatu metode yang efisien untuk mengantisipasi kerusakan pada pipa bawah air dengan rutin memantau jalur pipa tanpa harus menyelam ke dalam laut secara langsung. Metode counting maupun deteksi crack dan korosi pada pipa akan diaplikasikan pada robot ROUV berbasis transfer learning yang berfokus pada model YOLOv8. Metode yang digunakan adalah transfer learning dengan algoritma YOLOv8, yang memiliki kelebihan dalam akurasi dan komputasi inferensi yang cepat. Hasil penelitian menunjukkan bahwa nilai akurasi model YOLOv8 rata-rata lebih dari 80%. Hal ini membuktikan bahwa model YOLOv8 memiliki akurasi yang tinggi meskipun dengan dataset yang terbatas. Tingkat keberhasilan penggunaan model YOLOv8 dalam proses deteksi dan counting korosi dan crack pada pipa bawah air mendapatkan hasil terbaik pada kecepatan robot lambat, yaitu saat motor berkecepatan 70 rpm. Presentase error yang didapat pada kecepatan lambat adalah sebesar 33.3% dan 25% untuk epoch 100, epoch 150 didapat error sebesar 33.3% dan untuk epoch 200 memiliki error yang lebih kecil yaitu 16.7%. Pada rpm 50 memiliki error dengan seslisih sedikit lebih besar dibandingkan dengan rpm 70, dikarenakan pada rpm 50 jumlah objek referensi sebanyak 10 objek saja.