Electronic Theses and Dissertation

Jalan memiliki peran yang sangat penting dalam pembangunan dan sistem transportasi darat, namun juga membawa risiko bagi kehidupan manusia. Risiko tersebut mencakup kecelakaan lalu lintas yang disebabkan oleh jalan yang rusak atau tidak terawat dengan baik. Oleh karena itu, upaya untuk mengurangi risiko ini sangat penting dan salah satu aspek utamanya adalah menjaga dan merawat kondisi jalan. Saat ini, survei kerusakan jalan masih dilakukan secara manual ditengah perkembangan artificial intelligence yang sudah sangat maju sehingga perlu adanya otomatisasi dalam survei kerusakan jalan. Tujuan dari penelitian iniiadalah mengembangkan model untuk deteksi kerusakan jalan yang akuratidan efisien serta membangun dataset kerusakan jalan yang terdiri dari enam kelas. Metode yang dipakai dalam penelitian ini adalah Faster R-CNN dengan backbone ResNet50. Penelitian ini menggunakan dataset citra jalan rusak yang diperoleh secara mandiri yang diambil dari jalan nasional pesisir barat provinsi aceh serta penambahan dari RDD2020 sehingga berjumlah 2934 citra yang telah dikelompokkan menjadi enam kelas yaitu pothole, alligator crack, longitudinal crack, transverse crack, edge crack dan road joints. Hasil yang telah didapatkan adalah berupa model deep learning menggunakan arsitektur Faster R-CNN dengan ResNet50 sebagai backbone yang menghasilkan mAP 0.5 sebesar 86,8% pada model baseline dan 92,3% pada dataset yang sudah diaugmentasi. Berdasarkan hasil tersebut dapat disimpulkan bahwa metode Faster R-CNN dapat diterapkan secara efektif dalam melakukan deteksi kerusakan jalan.

Kata kunci: Jalan rusak, Faster R-CNN, Pemeliharaan jalan, Deep learning

Roads have a very important role in development and land transportation systems, but they also carry risks to human life. These risks include traffic accidents caused by damaged or poorly maintained roads. Therefore, efforts to reduce this risk are very important and one of the main aspects is maintaining and maintaining road conditions. Currently, road damage surveys are still carried out manually amidst the very advanced development of artificial intelligence so that there is a need for automation in road damage surveys. The aim of this research is to develop a model for accurate and efficient road damage detection and to build a road damage dataset consisting of six classes. The method used in this research is Faster R-CNN with a ResNet50 backbone. This research uses a dataset of damaged road images obtained independently taken from the West Coast National Road in Aceh Province as well as additions from RDD2020, totaling 2934 images which have been grouped into six classes, namely pothole, alligator crack, longitudinal crack, transverse crack, edge crack and road. joints. The results obtained are in the form of a deep learning model using the Faster R-CNN architecture with ResNet50 as the backbone which produces an mAP of 0.5 of 86.8% on the baseline model and 92.3% on the augmented dataset. Based on these results, it can be concluded that the Faster R-CNN method can be applied effectively in detecting road damage. Keywords: Damaged roads, Faster R-CNN, Road maintenance, Deep learning