Komparasi Kinerja Model U-Net dan DeepLab V3+ pada Segmentasi Pipa Korosi

I Dewa Gede Mahesta Parawangsa; Putu Zasya Eka Satya Nugraha; Anggie Ananda

doi:10.31004/riggs.v4i4.3630

Authors

I Dewa Gede Mahesta Parawangsa Universitas Pendidikan Ganesha
Putu Zasya Eka Satya Nugraha PT. Dago Engineering
Anggie Ananda PT. Dago Engineering

DOI:

https://doi.org/10.31004/riggs.v4i4.3630

Keywords:

Segmentasi Semantik, Korosi Pipa, Deep Learning, U-Net, DeepLabV3+

Abstract

Inspeksi integritas pipa pada industri vital seperti minyak dan gas saat ini masih bergantung pada metode manual yang kurang efisien dan berisiko tinggi. Permasalahan utama seperti korosi dapat menyebabkan kebocoran dan kerusakan lingkungan jika tidak terdeteksi secara dini dan akurat. Sebagai solusinya, teknologi deep learning menawarkan berbagai pendekatan, mulai dari klasifikasi hingga deteksi objek. Namun, pendekatan segmentasi semantik dipilih karena kemampuannya menawarkan potensi otomatisasi penuh untuk identifikasi area korosi secara presisi piksel-demi-piksel. Penelitian ini melakukan analisis komparatif antara kinerja arsitektur U-Net standar dengan DeepLabV3+ yang menggunakan backbone ResNet50. Kinerja kedua model dievaluasi pada 108 gambar asli, yang diproses melalui augmentasi menjadi total 1.261 data latih dan validasi. Perbandingan difokuskan pada dua tugas terpisah: segmentasi aset pipa utuh dan segmentasi korosi. Penilaian Intersection over Union (mIoU) menunjukkan DeepLabV3+ secara signifikan mengungguli U-Net dalam segmentasi aset dengan nilai 0.862 berbanding 0.735. Sebaliknya, U-Net menunjukkan dkeunggulan tipis pada segmentasi korosi dengan mIoU 0.779 berbanding 0.701. Secara komputasi, DeepLabV3+ dengan waktu rata-rata 0.44 detik terbukti jauh lebih efisien daripada U-Net dengan rata-rata 1.24 detik. Dengan demikian, DeepLabV3+ menawarkan keseimbangan terbaik antara akurasi segmentasi aset yang superior dan efisiensi tinggi, menjadikannya kandidat model yang robust untuk pengembangan sistem inspeksi visual otomatis di lapangan.

Downloads

Download data is not yet available.

References

Hendrik, “Diduga Karena Korosi Pipa Minyak PT Pertamina EP Adera Field Kembali Bocor,” 2025. Accessed: Oct. 26, 2025. [Online]. Available: https://linksumsel.com/diduga-karena-korosi-pipa-minyak-pt-pertamina-ep-adera-field-kembali-bocor/

D. Fatmawaty, “Analisis Pertanggungjawaban Pencemaran Lingkungan Akibat Tumpahan Minyak (Studi Kasus: Kebocoran Pipa Minyak di Teluk Balikpapan),” Bumi Lestari Journal of Environment, vol. 20, no. 1, p. 14, Feb. 2020, doi: 10.24843/blje.2020.v20.i01.p03.

V. Tuninetti et al., “Evaluating Pipeline Inspection Technologies for Enhanced Corrosion Detection in Mining Water Transport Systems,” Applied Sciences, vol. 15, no. 3, p. 1316, Jan. 2025, doi: 10.3390/app15031316.

I. B. M. Y. Wirawan, I. M. G. Sunarya, and I. M. D. Maysanjaya, “Semantic Segmentation of Rice Field Bund on Unmanned Aerial Vehicle Image using UNet,” in 2022 14th International Conference on Information Technology and Electrical Engineering (ICITEE), IEEE, Oct. 2022, pp. 211–216. doi: 10.1109/ICITEE56407.2022.9954091.

A. Sanjay Kumar, S. Manoj Kumar, and R. Kiran Kumar, “Optimized Deep Learning Framework for Detecting Pitting Corrosion based on Image Segmentation,” International Journal of Performability Engineering, vol. 17, no. 7, p. 627, 2021, doi: 10.23940/ijpe.21.07.p7.627637.

R. Rokhana et al., “Convolutional Neural Network untuk Pendeteksian Patah Tulang Femur pada Citra Ultrasonik B-Mode,” 2019.

I. K. H. T. Jaya, M. W. A. Kesiman, and I. M. G. Sunarya, “Detecting the Same Pattern in Choreography Balinese Dance Using Convolutional Neural Network and Analysis Suffix Tree,” Jurnal Ilmiah Teknik Elektro Komputer dan Informatika, vol. 8, no. 3, p. 410, Oct. 2022, doi: 10.26555/jiteki.v8i3.24461.

I. M. Dendi Maysanjaya, K. Suwis, S. Atmaja, I. Made, and G. Sunarya, “Segmentasi Soft Exudate Pada Citra Fundus Retina Pasien Diabetic Retinatopathy Berbasis U-NET,” INSERT: Information System and Emerging Technology Journal, vol. 4, no. 2, 2023.

N. P. K. Dewi, P. H. Suputra, A. A. G. Y. Paramartha, L. J. E. Dewi, P. Varnakovida, and K. Y. E. Aryanto, “River Area Segmentation Using Sentinel-1 SAR Imagery with Deep-Learning Approach,” Geomatics and Environmental Engineering, vol. 19, no. 4, pp. 39–63, Jul. 2025, doi: 10.7494/geom.2025.19.4.39.

I. Made, A. Darma Putra, M. Dendi Maysanjaya, M. Windu, and A. Kesiman, “Pendekatan Berbasis U-NET Untuk Segmentasi Hard Exudate Dalam Citra Fundus Retina,” INSERT: Information System and Emerging Technology Journal, vol. 4, no. 1, 2023.

P. Z. E. S. Nugraha, I. M. G. Sunarya, and I. M. D. Maysanjaya, “Binary Semantic Segmentation of Dolphin on UAV Image Using U-Net,” in 2023 International Seminar on Intelligent Technology and Its Applications (ISITIA), IEEE, Jul. 2023, pp. 728–733. doi: 10.1109/ISITIA59021.2023.10221152.

P. A. Widyantara, N. W. Marti, and P. H. Suputra, “Segmentasi Semantik Berbasis Deeplabv3+ Untuk Pemantauan Pencemaran Sampah di Perairan Sungai,” Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 14, no. 2, p. 809, Aug. 2025, doi: 10.35889/jutisi.v14i2.2962.

H. J. G. Palacios, R. A. J. Toledo, G. A. H. Pantoja, and Á. A. M. Navarro, “A comparative between CRISP-DM and SEMMA through the construction of a MODIS repository for studies of land use and cover change,” Advances in Science, Technology and Engineering Systems, vol. 2, no. 3, pp. 598–604, 2017, doi: 10.25046/aj020376.

I. M. A. Wirawan, R. Wardoyo, D. Lelono, and S. Kusrohmaniah, “Continuous Capsule Network Method for Improving Electroencephalogram-Based Emotion Recognition,” Emerging Science Journal, vol. 7, no. 1, pp. 116–134, Feb. 2023, doi: 10.28991/ESJ-2023-07-01-09.