Penerapan Metode Convolutional Neural Network Untuk Klasifikasi Kerusakan Jalan Berbasis Citra Digital (Studi Kasus : Kerusakan pada Jalan Aspal di Kabupaten Kulon Progo)

Abstract

Jalan adalah suatu infrastruktur yang menghubungkan satu daerah dengan daerah yang lain yang sangat penting dalam sistem pelayanan masyarakat. Kerusakan jalan masih menjadi masalah penting di Indonesia, salah satunya di Kabupaten Kulon Progo. Ketidaknyamanan saat berkendara, kerusakan kendaraan, dan kecelakaan adalah beberapa konsekuensi dari kerusakan jalan yang berkelanjutan. Penelitian ini didasarkan pada kemajuan AI untuk membuat sistem klasifikasi berbasis Deep Learning yang diharapkan dapat membantu otoritas membuat keputusan tentang kondisi kerusakan jalan saat ini dengan menggunakan foto kerusakan jalan. Convolutional Neural Network adalah salah satu metode Deep Learning yang paling efektif untuk memproses data gambar. Penelitian ini bertujuan untuk mengetahui rancangan CNN dalam menjalankan arsitekturnya pada hasil klasifikasi kerusakan jalan ke dalam kelas-kelasnya yakni Alligator Crack, Corrugation, dan Pothole. Kemudian untuk mengevaluasi sejauh mana kinerja model dalam mengenali objek melalui nilai akurasi yang diperoleh dari tiga arsitektur CNN yang digunakan, yaitu VGG-16, InceptionV3, dan ResNet50V1. Data yang digunakan pada penelitian ini berupa citra kerusakan jalan yang diambil secara primer dan sekunder yang terdiri dari 600 gambar dan dibagi menjadi 3 kelas, yaitu Alligator Crack, Corrugation, dan Pothole, masing masing 300 gambar dari wilayah Kabupaten Kulon Progo dan Kabupaten Klaten. Hasil evaluasi menunjukkan bahwa pada data validasi berdasarkan perhitungan rata-rata confusion matrix metode K-Fold Cross Validation mencapai 90% untuk arsitektur VGG-16 dan InceptionV3, sedangkan untuk ResNet50V1 sebesar 76%. Untuk mengukur performa model lebih lanjut, dilakukan pengujian menggunakan data test dengan hasil akurasi sebesar 88% untuk VGG-16 dan InceptionV3, sedangkan untuk ResNet50V1 sebesar 78% berdasarkan confusion matrix. Berikutnya, dilakukan deploy sistem deteksi menggunakan FlaskApp dan diuji menggunakan data eksternal untuk menilai kemampuan model dalam melakukan prediksi di luar data latih. Didapatkan hasil yang baik untuk setiap arsitektur, hal ini menunjukkan kinerja deteksi berbasis web mampu belajar dengan baik.