KLASIFIKASI JALAN RUSAK MENGGUNAKAN TRANSFER LEARNING ARSITEKTUR VGG16

Umar Shodiq; Maimunah Maimunah; Meidar Hadi Avizenna

doi:10.35145/joisie.v8i1.4243

Umar Shodiq Universitas Muhammadiyah Magelang
Maimunah Maimunah Universitas Muhammadiyah Magelang
Meidar Hadi Avizenna Universitas Muhammadiyah Magelang

DOI: https://doi.org/10.35145/joisie.v8i1.4243

Abstract viewed = 250 times

PDF (Bahasa Indonesia) downloaded = 143 times

Abstract

Kerusakan jalan merupakan masalah yang sering ditemukan, termasuk di Provinsi Jawa Tengah dengan lebih dari 50% kondisi jalan masih rusak. Namun demikian, proses pencatatan klasifikasi kerusakan jalan masih manual sehingga membutuhkan waktu yang lama dan menghasilkan akurasi yang rendah. Untuk mengatasi masalah tersebut salah satu caranya adalah mempercepat proses pencatatan jenis kurasakan jalan dengan memanfaatkan teknologi untuk melakukan klasifikasi citra jalan rusak. Metode klasifikasi yang digunakan dalam penelitian ini dengan menggunakan algoritma Convolutional Neural Network (CNN) dengan model transfer learning arsiterktur VGG16. Penelitian ini juga menambahkan 3 skenario pada tahap preprocessing seperti penggunaan histogram CLAHE dan green channel, CLAHE dan Gamma Correction, serta Gamma correction dan green channel. Dataset yang digunakan berjumlah 940 gambar jalan rusak dibagi menjadi 3 label yaitu berlubang, stripping, dan retak. Gambar tersebut akan digunakan untuk menghasilkan model dengan akurasi yang terbaik. Hasil penelitian menunjukkan bahwa skenario kedua, yang menggunakan kombinasi CLAHE dan Gamma Correction, memberikan hasil terbaik dengan akurasi sebesar 82,98%, nilai rata-rata precision sebesar 83%, dan kesalahan terendah berdasarkan analisis tabel confusion matrix. Dengan demikian, skenario kedua mampu mengklasifikasikan jenis kerusakan jalan dengan cukup baik dan dapat meningkatkan efisiensi serta akurasi dalam klasifikasi kerusakan jalan.

Downloads

Download data is not yet available.

References

Adi Nugroho, P., Fenriana, I., & Arijanto, R. (2020). Implementasi Deep Learning Menggunakan Convolutional Neural Network ( Cnn ) Pada Ekspresi Manusia. Jurnal Algor, 2(1). https://jurnal.buddhidharma.ac.id/index.php/algor/index
Anavyanto, A. F., Maimunah, M., Yudianto, M. R. A., & Sukmasetya, P. (2023). EfficientNetV2M for Image Classification of Tomato Leaf Deseases. PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic, 11(1), 55–76. https://doi.org/10.33558/piksel.v11i1.5925
Dinas Bina Marga Provinsi Jawa Tengah. (2024). Kondisi Jalan Di Provinsi Jateng. Https://Webgis.Dpubinmarcipka.Jatengprov.Go.Id/Kondisi.
Ekananda, N. P., & Riminarsih, D. (2022). Identifikasi Penyakit Pneumonia Berdasarkan Citra Chest X-Ray Menggunakan Convolutional Neural Network. Jurnal Ilmiah Informatika Komputer, 27(1), 79–94. https://doi.org/10.35760/ik.2022.v27i1.6487
Ersad, A. I. (2021). Implementasi Geographic Information System Sebagai Media Pelaporan Kerusakan Jalan (Studi Kasus: Dinas PU Bandar Lampung). Jurnal Informatika Dan Rekayasa Perangkat Lunak (JATIKA), 2(4), 526.
Faghihi, A., Fathollahi, M., & Rajabi, R. (2023). Diagnosis of skin cancer using VGG16 and VGG19 based transfer learning models. Multimedia Tools and Applications, 1–15. https://doi.org/10.1007/s11042-023-17735-2
Hartati, E., Kunci, K., & Kupu, K. (2022). MDP STUDENT CONFERENCE (MSC) 2022 Klasifikasi Spesies Kupu Kupu Menggunakan Metode Convolutional Neural Network.
M Luthfi Andika. (2021, June 29). Duh! Jalan Rusak Jadi Penyebab Banyak Kecelakan Lalu Lintas di Jakarta. Https://Oto.Detik.Com/Berita/d-5624401/Duh-Jalan-Rusak-Jadi-Penyebab-Banyak-Kecelakan-Lalu-Lintas-Di-Jakarta.
Marsyanda, A. U., Januar, I. Y. D., Said, L. B., Idrus, Y., & Alkam, R. B. (2022). Analisis Kerusakan Jalan dan Cara Penanggulangannya. Jurnal Teknik Sipil MACCA, 7(1), 8–17. https://doi.org/10.33096/jtsm.v7i1.536
Mulyana, D. I., & Ferdiansyah Putra, R. (2024). Tinggi Ilmu Komputer Cipta Karya Informatika. Jurnal Teknologi Informasi Dan Komunikasi), 8(1). https://doi.org/10.35870/jti
Nguyen, A. K. M. (2023). Transfer learning with VGG16 deep convolutional neural network model effectively differentiates between subtypes of bright and dark lesions. IOVS. https://iovs.arvojournals.org/article.aspx?articleid=2790696
Ramadhanu, A., Ayu Mahessya, R., Raihan Zaky, M., Isra, M., Informasi, S., & Putra Indonesia YPTK Padang, U. (2023). Penerapan Teknologi Machine Learning Dengan Metode Vader Pada Aplikasi Sentimen Tamu Di Hotel Dymens. JOISIE Journal Of Information System And Informatics Engineering, 7(1), 165–173.
Rindya Ella Sari , Solikhun, F. R. (2021). Penerapan Algoritma C5.0 dalam Memprediksi Persediaan Buah pada UD. Bunda Syafira Buah. JUKI : Jurnal Komputer Dan Informatika, 3(2).
Rismiyati. (2021). VGG16 Transfer Learning Architecture for Salak Fruit Quality Classification. Jurnal Informatika Dan Teknologi Informasi, 18(1), 37–48. https://doi.org/10.31515/telematika.v18i1.4025
Rozaqi, A. J., Sunyoto, A., & Arief, M. R. (2021). Seminar Nasional & Call Paper Fakultas Sains dan Teknologi (SENASAINS 1 st. In Procedia of Engineering and Life Science (Vol. 1, Issue 1).
Sandiwarno, S. (2024). Penerapan Machine Learning Untuk Prediksi Bencana Banjir. Jurnal Sistem Informasi Bisnis, 14(1), 62–76. https://doi.org/10.21456/vol14iss1pp62-76
Sovit Rath and Marsico. (2023, July 6). Road Damage Tracking Dataset. Https://Www.Kaggle.Com/Datasets/Mersico/Road-Damage-Tracking-Dataset-Rdtd-V10.
Srinidhi, G., & Devi, R. (2020). International Conference on Communication and Information Processing Pothole Detection using CNN and AlexNet. https://ssrn.com/abstract=3648822
Suparno. (2023). Analisa Kerusakan Jalan Kabupaten Ruas Klampok – PG Banjaratma Kabupaten Brebes. Era Sains: Journal of Science, Engineering and Information Systems Research, 1(1).
Tri Sazmita, D., Efendi, R., Susilo, B., Studi Informatika, P., Teknik, F., Bengkulu, U., Supratman Kandang Limun Bengkulu, J. W., & Indonesia, A. (2020). Pengolahan Citra Telapak Tangan Manusia Menggunakan Metode Histogram Equalization Dan Homomorphic Filtering. http://ejournal.unib.ac.id/index.php/rekursif/1
Wildah, S. K., & Kuryanti, S. J. (2022). Perbaikan Citra Objek Bawah Air Dengan Menggunakan Metode Implementasi White Balancing Dengan Model Grey World ( Wbgw ) Metode penelitian yang diterapkan pada penelitian ini dilakukan dengan beberapa tahapan yang bertujuan untuk memberikan hasil penelitia. Journal Speed – Sentra Penelitian Engineering Dan Edukasi, 14(3), 75–79.
Yustika, A. A., Suhartono, E., Rahmania, R., S1, P., & Telekomunikasi, T. (2019). Deteksi Anemia Melalui Citra SEL Darah Menggunakan Metode Discrete Wavelet Transform (Dwt) Dan Klasifikasi Support Vector Machine (Svm) .