Klasifikasi Kerusakan Jalan Menggunakan Citra Digital dengan Metode Convolutional Neural Network (Studi Kasus : Kerusakan Jalan Kabupaten Klaten)

Abstract

Kerusakan jalan di Kabupaten Klaten menjadi permasalahan yang memerlukan perhatian serius karena berdampak langsung terhadap mobilitas dan keselamatan masyarakat. Berdasarkan data yang tersedia, kondisi jalan di wilayah ini bervariasi, mulai dari kerusakan ringan hingga berat, sementara beberapa ruas jalan masih dalam kondisi baik. Jenis kerusakan yang umum ditemukan antara lain retak buaya (Alligator Crack), bergelombang (Corrugation), dan berlubang (Pothole), yang dapat menghambat kelancaran aktivitas serta mengancam keselamatan pengguna jalan. Penelitian ini bertujuan untuk mengklasifikasikan jenis kerusakan jalan menggunakan metode Convolutional Neural Network (CNN) dengan tiga arsitektur berbeda, yaitu VGGNet-16, ResNet101V2, dan InceptionV3. Metode CNN dipilih karena memiliki kemampuan mendeteksi kerusakan secara otomatis dan efisien. Data yang digunakan terdiri atas 600 citra digital (masing-masing 200 citra untuk setiap kelas) yang diperoleh melalui observasi langsung di Kabupaten Klaten serta digabungkan dengan sumber data lain. Penelitian ini dilaksanakan di Kabupaten

Klaten, Jawa Tengah, pada 28 Oktober 2024. Tahapan penelitian meliputi pre- processing data, seperti image enhancement, resize dan cropping, image

augmentation, serta pembagian data sebelum dilakukan pelatihan model. Hasil penelitian menunjukkan bahwa arsitektur ResNet101V2 memiliki kinerja terbaik dengan nilai akurasi, precision, recall, dan F1-score sebesar 97% pada data pengujian. Hasil klasifikasi tersebut kemudian diimplementasikan dalam aplikasi

berbasis web menggunakan FlaskApp untuk pemantauan kondisi jalan secara real- time. Diharapkan sistem ini dapat membantu Dinas Pekerjaan Umum dan Penataan

Ruang (DPUPR) Kabupaten Klaten dalam menentukan prioritas perbaikan jalan secara lebih efektif dan efisien.