STUDI KASUS PROVINSI ACEH Yusuf kurniawan Primary Author mixed material bibliography Banda Aceh Fakultas Teknik 2024

Skripsi

Infrastruktur jalan raya merupakan aset publik penting yang harus dipantau secara teratur karena berkontribusi terhadap kemajuan ekonomi. Saat ini pemantauan kerusakan jalan masih dilakukan dengan proses manual yaitu dengan cara menyusuri jalan, dan mengambil gambar kerusakan jalan dengan kamera, metode ini sangat menyita waktu, dan tenaga. Penelitian ini bertujuan untuk mengotomasi sistem pemantauan kerusakan jalan dengan membangun model sistem deteksi dan klasifikasi kerusakan jalan dengan model deep learning menggunakan arsitektur YOLOv5. YOLOv5 menggabungkan fungsi detector dan klasifikasi, detector berfungsi untuk mendeteksi objek dalam gambar sedangkan fungsi klasifikasi untuk menentukan kelas objek kerusakan jalan. Penelitian ini menggunakan dataset yang dibangun secara mandiri yang memiliki enam kelas kerusakan jalan yaitu pothole, alligator crack, transverse crack, longitudinal crack, edge crack, dan road joints yang mengikuti karakteristik kerusakan jalan di Indonesia. Dataset tersebut merupakan gabungan dari data gambar kerusakan jalan yang diambil secara mandiri pada lintasan jalan raya di Provinsi Aceh dengan data RDD2020 khususnya jalan pada negara Jepang. Data gambar kerusakan jalan RDD2020 pada negara Jepang diambil karena karakteristik pengambilan gambar yang sama dengan yang dilakukan pada penelitian ini yaitu dengan menggunakan kamera yang terpasang pada dashboard mobil sehingga gambar yang didapat lebih baik dan sesuai dengan point of view dari pengambilan gambar yang dilakukan oleh peneliti. Pengambilan dataset RDD2020 untuk menyeimbangkan data pada setiap kelas. Pengambilan gambar diambil dengan cara berdiri, meminimkan pergerakan tubuh, arah pandangan kamera menuju objek kerusakan jalan dengan memperhatikan kondisi pencahayaan yang baik. Hasil yang telah didapatkan adalah model deep learning menggunakan arsitektur YOLOv5 yang menghasilkan mAP 89.4% serta F1 score 68% pada model baseline mengunakan nilai learning rate 10-2. Hasil mAP naik menjadi 96.8% dan F1 score 91% setelah ditambahkan augmentasi mosaic dengan nilai learning rate yang sama yaitu 10-2. Kata Kunci: deteksi kerusakan jalan, jalan raya, visi komputer, YOLOv5, deep learning. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 129976 2024-09-04 11:42:47 2024-09-05 01:28:35 machine generated