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

Abstract

Infrastruktur jalan merupakan salah satu elemen penting dalam mendukung perkembangan ekonomi dan mobilitas masyarakat. Di Pulau Jawa, khususnya Kabupaten Sleman, banyak jalan berlapis lentur yang rentan rusak akibat beban kendaraan dan cuaca, dengan tingkat kerusakan yang terus meningkat setiap tahun. Kerusakan seperti Alligator Crack, Corrugation, dan Pothole perlu ditangani serius untuk mengurangi risiko kecelakaan dan meningkatkan efisiensi transportasi. Penelitian ini bertujuan untuk mendeteksi dan mengklasifikasikan jenis kerusakan jalan berbasis citra digital menggunakan algoritma Convolutional Neural Network (CNN). Dalam implementasinya, tiga arsitektur CNN digunakan sebagai pembanding, yaitu Xception, InceptionV3, dan VGGNet-16, dengan evaluasi kinerja berdasarkan metrik akurasi, presisi, recall, dan F1-score melalui metode 4- Fold Cross Validation. Data yang digunakan merupakan data primer berupa 600 citra kerusakan jalan beraspal dari lima kecamatan dengan tingkat kerusakan tertinggi di Sleman, penelitian ini dimulai sejak 15 Januari 2025 hingga 2 Maret 2025. Dari jumlah tersebut, 180 citra digunakan untuk training dan 20 citra untuk testing. Proses pembentukan model meliputi pembagian data (data split), peningkatan kualitas citra (image enhancement), preprocessing, augmentation, serta penerapan K-Fold Cross Validation. Penyesuaian hyperparameter seperti convolution, max pooling, dropout, dense layer, dan learning rate dilakukan untuk setiap arsitektur berdasarkan kriteria ukuran model, kedalaman pembelajaran, dan akurasi yang dihasilkan. Data citra kerusakan jalan dikumpulkan, dianalisis, dan diolah menggunakan metode ini untuk menghasilkan klasifikasi yang akurat sesuai dengan jenis kerusakan. Berdasarkan hasil implementasi, akurasi pada data uji yang diperoleh dari masing-masing arsitektur adalah 97% untuk Xception, 95% untuk InceptionV3, dan 91,67% untuk VGGNet-16. Model Xception menjadi arsitektur dengan performa terbaik dengan nilai precision 0,97, recall 0,97, dan F1-score 0,97. Klasifikasi yang dihasilkan akan diterapkan dalam sebuah platform berbasis web, yang menampilkan akurasi deteksi dan klasifikasi kerusakan jalan. Diharapkan, hasil penelitian ini dapat memberikan kontribusi signifikan dalam pengelolaan infrastruktur jalan, mengurangi biaya pemeliharaan jangka panjang, dan mendukung inovasi teknologi di masa depan. Sistem deteksi yang dikembangkan dan di-deploy menggunakan FlaskApp mampu melakukan prediksi objek dengan baik, yang dibuktikan melalui akurasi prediksi pada data di luar data latih. Uji coba dilakukan menggunakan data test serta data eksternal dari Google, dengan tujuan memastikan bahwa model dapat mengenali dan memprediksi data yang benar-benar baru dan belum pernah ditemui sebelumnya.