Implementasi Convolutional Neural Network untuk Klasifikasi Kerusakan Jalan Berbasis Citra Digital (Studi Kasus : Kerusakan Jalan Aspal di Banyumas)

Abstract

Kerusakan jalan masih menjadi masalah krusial yang dialami di Indonesia, salah satunya Jawa Tengah. Banyak dampak yang ditimbulkan dari kerusakan jalan yang terus menerus terjadi seperti ketidaknyamanan dalam berkendara, kerusakan kendaraan, hingga kecelakaan. Perkembangan Artificial Intelligence mendasari penelitian ini untuk merancang sistem klasifikasi berbasis Deep Learning yang diharapkan mampu membantu pihak yang berwenang dalam pengambilan langkah serta keputusan mengenai kondisi kerusakan jalan yang ada melalui foto kerusakan jalan. Salah satu metode Deep Learning yang efektif untuk memproses data gambar adalah Convolutional Neural Network. Tujuan penelitian ini untuk mengetahui rancangan CNN dalam menjalankan arsitekturnya pada hasil klasifikasi kerusakan jalan ke dalam kelas-kelasnya yakni Alligato, Corrugation, dan Pothole. Kemudian mengetahui seberapa baik model dalam mengenali objek dilihat dari akurasi yang dihasilkan menggunakan tiga arsitektur yang dipilih yakni VGGNet-16, InceptionV3, dan MobileNetV2. Data yang digunakan merupakan data primer dan sekunder. Data primer yang dikumpulkan sejak Desember 2023 hingga Maret 2024 terdiri atas 359 citra digital yang terbagi 3 yakni Alligator, Corrugation, dan Pothole. Sementara data sekunder merupakan data variasi dari Google untuk Pothole sebanyak 10 data. Penelitian ini memanfaatkan K-Fold Cross Validation untuk mencegah overfitting akibat jumlah data yang sedikit. Selain itu perlakuan beberapa tuning hyperparameter seperti penambahan learning rate sebesar 0.001, penggunaan optimizer Adam dan juga pemilihan jumlah iterasi membantu dalam proses pembangunan model yang baik. Hasil menunjukkan bahwa hasil akurasi untuk data validasi berdasarkan perhitungan rata-rata confusion matrix K-Fold Cross Validation turut-turut adalah 96% untuk VGGNet16, 94% untuk InceptionV3, dan 92% untuk MobileNetV2. Guna memastikan seberapa baik model dalam bekerja, data test digunakan sebagai penilaian berdasarkan akurasi yang diperoleh dari hasil confusion matrix. Hasilnya VGGNet-16 mampu memprediksi dengan baik sebesar 89%, InceptionV3 sebesar 92%, dan MobileNetV2 sebesar 92%. Terakhir adalah pendeployan sistem deteksi menggunakan FlaskApp yang digunakan sebagai pengujian terhadap data eksternal guna menguji apakah model sudah cukup baik dalam mendeteksi. Didapatkan hasil yang baik untuk tiap-tiap arsitektur.