Electronic Theses and Dissertation

Jalan memiliki peran penting dalam kemajuan sosial dan ekonomi suatu negara dan merupakan salah satu aset nasional yang vital. Kualitas dan keselamatan perjalanan sangat bergantung pada kondisi jalan. Retakan, lubang, dan ketidakrataan permukaan jalan dapat merusak kendaraan, meningkatkan risiko kecelakaan, serta menambah biaya perawatan. Penelitian ini menganalisis sistem klasifikasi kerusakan jalan menggunakan arsitektur EfficientNet-B4, yang dipilih karena keunggulannya dalam skalabilitas melalui pendekatan compound scaling. Pendekatan ini meningkatkan resolusi gambar, kedalaman, dan lebar jaringan secara bersamaan, menghasilkan performa tinggi dengan jumlah parameter yang lebih sedikit dibandingkan model seperti ResNet dan Inception. Penelitian ini bertujuan untuk menguji kemampuan model yang dilatih menggunakan dataset RDD2022 dalam mengenali kerusakan jalan pada data uji yang diambil dari lingkungan sekitar. Model ini mencapai akurasi 83.71%, meskipun masih terdapat kesalahan klasifikasi dengan nilai akurasi sebesar 27%, recall 27%, F1-Score 26%, dan precision 26%. Sistem ini diharapkan dapat membantu menentukan program perbaikan yang sesuai untuk kerusakan jalan yang teridentifikasi.
Kata Kunci: Kerusakan Jalan, Deep Learning, Tensorflow, EfficientNet-B4.

Roads play an important role in the social and economic progress of a country and are one of the vital national assets. The quality and safety of travel depends largely on the condition of roads. Cracks, potholes, and unevenness of the road surface can damage vehicles, increase the risk of accidents, and increase maintenance costs. This research analyzes a road defect classification system using the EfficientNet-B4 architecture, which was chosen for its advantage in scalability through a compound scaling approach. This approach increases image resolution, depth, and network width simultaneously, resulting in high performance with fewer parameters than models such as ResNet and Inception. This study aims to test the ability of the model trained using the RDD2022 dataset to recognize road defects in test data taken from the surrounding environment. The model achieved 83.71% accuracy, although there were still misclassifications with an accuracy value of 27%, recall 27%, F1-Score 26%, and precision 26%. The system is expected to help determine the appropriate repair program for the identified road defects. Keywords: Road Damage, Deep Learning, Tensorflow, EfficientNet-B4.