Inspeksi dan pendeteksian cacat pada produk merupakan aspek penting dalam industri manufaktur, termasuk sektor otomotif atau kendaraan yang masih banyak menggunakan inspeksi manual oleh manusia. Salah satu komponen vital mesin kendaraan yang perlu diinspeksi kerusakannya yakni komponen piston. Mengingat pentingnya peran komponen piston, diperlukan sistem inspeksi otomatis yang akurat dan efisien. Deep learning, khususnya convolutional neural network (CNN) menawarkan solusi otomatisasi inspeksi melalui model berbasis gambar. Namun, keterbatasan kuantitas gambar piston menjadi kendala dalam mendapatkan model yang dapat mendeteksi kerusakan piston dengan akurat. Untuk meminimalisir kendala tersebut, diterapkan deep convolutional generative adversarial networks (DCGAN) dan transfer learning dalam model CNN sebagai sistem inspeksi kerusakan piston kendaraan.

 Penelitian ini bertujuan menerapkan DCGAN pada gambar-gambar piston kendaraan (data asli) sehingga menghasilkan gambar-gambar piston kendaraan tiruan (data sintetis) sebagai input training CNN, menerapkan transfer learning guna menghasilkan arsitektur CNN untuk training CNN, menerapkan CNN dengan tiga skenario training, yaitu training CNN tanpa penerapan DCGAN dan transfer learning, dengan DCGAN saja, serta dengan DCGAN dan transfer learning, dan mengevaluasi performa tiga model CNN menggunakan dua metrik evaluator performa (confusion matrix dan F1-score), menginterpretasikannya serta memilih model CNN dengan performa terbaik sebagai sistem inspeksi kerusakan piston kendaraan. Metode yang digunakan dalam penelitian ini yaitu studi literatur dan terapan. Studi literatur dilakukan guna mengkaji penelitian terdahulu yang berhubungan dengan penelitian, utamanya pada penyusunan arsitektur serta parameter terkait. Adapun studi terapan dilakukan dengan menerapkan DCGAN dan kalkulasi fréchet inception distance (FID) untuk gambar-gambar piston tiruan, transfer learning (Inception-V3) untuk arsitektur CNN, serta training CNN untuk model sebagai sistem inspeksi kerusakan piston kendaraan.

 Berdasarkan hasil penelitian dan pembahasan, penerapan DCGAN pada data piston kendaraan menghasilkan data sintetis berupa gambar-gambar piston kendaraan tiruan dengan total 1500 gambar. Berdasarkan kalkulasi nilai FID akhir, gambar-gambar tiruan tersebut memiliki karakteristik mirip dengan gambar aslinya karena nilai FID yang diperoleh yakni 37,21, berada di bawah ambang batas FID < 50 data-start="2686" data-end="2705">transfer learning (Inception-V3) menghasilkan arsitektur CNN. Hasil akhir penelitian ini berupa tiga model CNN dari tiga skenario training, yaitu tanpa penerapan DCGAN dan transfer learning, dengan DCGAN saja, serta dengan DCGAN dan transfer learning. Evaluasi tiga model menggunakan confusion matrix serta F1-score dan interpretasinya menunjukkan model CNN dengan penerapan DCGAN dan transfer learning memiliki performa terbaik (klasifikasi sempurna pada confusion matrix dan nilai F1-score yang juga sempurna bernilai 1,0). Dengan demikian, model CNN dari skenario ketiga digunakan sebagai sistem inspeksi kerusakan piston kendaraan.