| dc.description.abstract | Kerusakan jalan merupakan masalah infrastruktur yang memerlukan
penanganan cepat dan tepat guna meminimalisir risiko kecelakaan dan kerugian
ekonomi. Proses inspeksi manual yang memakan waktu dan tenaga dapat
dioptimalkan dengan memanfaatkan teknologi Computer Vision. Penelitian ini
bertujuan untuk membandingkan kinerja arsitektur Deep Learning, yaitu ConvNeXt
dan Swin Transformer, dalam mengklasifikasikan tiga jenis kerusakan jalan:
Pothole (lubang), Corrugation (keriting atau begelombang), dan Alligator Crack
(retak buaya), serta mengimplementasikan model terbaik ke dalam sistem deteksi
berbasis web. Evaluasi performa model diukur menggunakan metrik Akurasi,
Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa arsitektur
ConvNeXt mengungguli Swin Transformer dengan meraih tingkat akurasi sebesar
98,51% dan mencapai titik konvergensi lebih cepat pada epoch ke-19,
dibandingkan Swin Transformer yang memperoleh akurasi 98,33% pada epoch ke-
37. Keunggulan ConvNeXt didukung oleh inductive bias bawaan dari
Convolutional Neural Network (CNN) yang sangat efisien dalam mengekstraksi
detail tekstur lokal permukaan aspal. Model ConvNeXt terbaik tersebut kemudian
berhasil diimplementasikan ke dalam aplikasi web bernama "Road AI Vision"
menggunakan kerangka kerja FastAPI. Sistem ini dilengkapi dengan fitur
pemrosesan paralel (batch processing) serta pemetaan geospasial otomatis berbasis
koordinat GPS dari citra yang diunggah, sehingga diharapkan dapat menjadi solusi
efektif untuk mempercepat proses identifikasi dan pemetaan kerusakan jalan. | en_US |
