Klasifikasi Kerusakan Jalan Berbasis Citra Digital dengan Penerapan Convolutional Neural Network (Studi Kasus: Kerusakan Jalan Aspal di Kabupaten Bantul)

Abstract

Jalan merupakan infrastruktur penting untuk mendukung aktivitas ekonomi, sosial, budaya, dan lingkungan. Kerusakan jalan, seperti kemacetan, gangguan kenyamanan, kerusakan kendaraan, hingga kecelakaan, menimbulkan kerugian besar. Untuk mengatasi masalah ini, diperlukan metode pemantauan otomatis berbasis teknologi, seperti Convolutional Neural Network (CNN). CNN, dengan akurasi hingga 88%, efektif mendeteksi dan mengklasifikasikan kerusakan jalan. Penelitian ini mengusulkan penggunaan tiga arsitektur CNN, yaitu VGGNet-16, ResNet152V2, dan InceptionV3, untuk mengklasifikasikan kerusakan jalan ke dalam kategori seperti Alligator Cracks, Corrugation, dan Potholes. Tujuan dari penelitian ini adalah untuk menganalisis rancangan arsitektur Convolutional Neural Network (CNN) dalam mengklasifikasikan jenis kerusakan jalan ke dalam tiga kelas, yaitu Alligator, Corrugation, dan Pothole. Selain itu, penelitian ini juga bertujuan untuk mengevaluasi sejauh mana performa model dalam mengenali objek, yang diukur melalui nilai akurasi yang diperoleh dari tiga arsitektur CNN yang digunakan, yaitu VGGNet-16, InceptionV3, dan MobileNetV2. Penelitian ini menggunakan data primer berupa citra kerusakan jalan yang diambil langsung di lapangan di wilayah Bantul dan Sleman. Data terdiri atas tiga kelas kerusakan, yaitu Alligator Crack, Corrugation, dan Pothole, masing-masing sebanyak 200 citra. Sebanyak 600 citra digunakan untuk pelatihan dan pengujian model CNN, sementara 300 citra dari Bantul digunakan untuk implementasi sistem berbasis Flask. Hasil evaluasi menunjukkan bahwa akurasi rata-rata pada data validasi berdasarkan perhitungan confusion matrix melalui metode K-Fold Cross Validation mencapai 93.52% untuk arsitektur VGGNet-16, 92.77% untuk InceptionV3, dan 94.81% untuk ResNet50V2. Untuk mengukur performa model lebih lanjut, dilakukan pengujian menggunakan data test dengan hasil akurasi masing-masing sebesar 95% untuk VGGNet-16, 96% untuk InceptionV3, dan 96% untuk ResNet50V2 berdasarkan confusion matrix. Selanjutnya, sistem deteksi dideploy menggunakan FlaskApp dan diuji menggunakan data eksternal untuk menilai kemampuan model dalam melakukan prediksi di luar data latih. Hasil pengujian berdasarkan confusion matrix menunjukkan bahwa seluruh arsitektur menghasilkan akurasi di atas 92%, serta nilai precision, recall, dan F1-score yang konsisten tinggi, sehingga menunjukkan performa deteksi yang baik.