DETEKSI MULTI-KELAS CACAT PERMUKAAN REL KERETA API MENGGUNAKAN YOLOV11

Deteksi cacat permukaan rel merupakan komponen penting dalam menjaga keselamatan operasional kereta api. Penelitian ini menerapkan YOLOv11 untuk mengenali lima kelas cacat permukaan rel, yaitu breaks, cracks, lightband, rails, dan scars. Dataset yang digunakan terdiri dari 1.596 citra dengan lebih dari 30.000 anotasi, dan model dilatih selama 100 epoch menggunakan pendekatan transfer learning. Eksperimen dilakukan secara sistematis melalui variasi resolusi input (640×640 dan 1280×1280), penerapan augmentasi data, serta modifikasi arsitektur menggunakan Efficient Multi-scale Attention (EMA). Konfigurasi terbaik, yaitu resolusi 1280×1280 dengan augmentasi, menghasilkan precision 0.828, recall 0.882, mAP@50 sebesar 0.917, dan mAP@50–95 sebesar 0.688. Evaluasi per kelas menunjukkan bahwa breaks, cracks, rails, dan lightband terdeteksi dengan akurasi tinggi, sedangkan scars menjadi kelas paling menantang dengan mAP@50 sebesar 0.649 dan recall 0.451. Temuan ini menunjukkan bahwa performa deteksi sangat dipengaruhi oleh keterpisahan visual (visual separability) dan variasi intra kelas (intra-class variance), khususnya pada scars yang memiliki bentuk tidak beraturan, tekstur halus, serta kemiripan visual dengan permukaan rel. Penelitian menunjukkan bahwa peningkatan resolusi input memberikan kontribusi paling signifikan terhadap peningkatan performa, terutama pada objek kecil dan cacat dengan karakteristik visual yang halus.

Kata Kunci: YOLOv11, deteksi objek, cacat permukaan rel, resolusi tinggi.