Model Deep Learning Berbasis Convolutional Neural Network (CNN) untuk Identifikasi Tingkat Kerusakan Jalan di Kota Dumai
DOI:
https://doi.org/10.52072/jutekinf.v13i2.1816Keywords:
Deep Learning, CNN, MobileNetV2, Kerusakan Jalan, KlasifikasiAbstract
Penelitian ini bertujuan untuk mengembangkan sistem otomatis untuk mengklasifikasikan tingkat kerusakan jalan di Kota Dumai menggunakan Convolutional Neural Network (CNN). Sistem ini diharapkan dapat meningkatkan efisiensi pemeliharaan jalan dengan cara otomatis dan akurat. Data yang digunakan adalah citra jalan yang diklasifikasikan menjadi tiga kategori: kerusakan ringan, sedang, dan berat. Metode CRISP-DM digunakan dalam penelitian ini untuk mengelola siklus hidup data, yang mencakup tahap pengumpulan data, pemahaman data, persiapan data, pemodelan, dan evaluasi. Hasil penelitian menunjukkan bahwa model CNN dapat mengklasifikasikan kerusakan jalan dengan akurasi yang baik, terutama pada kategori kerusakan ringan dan berat, meskipun masih terdapat tantangan dalam mengenali kerusakan sedang. Model ini menunjukkan akurasi lebih dari 90%, dengan performa terbaik pada kerusakan berat yang mencapai 97.07%. Penelitian ini menyarankan pengembangan lebih lanjut dengan menambah variasi data latih untuk meningkatkan klasifikasi kerusakan sedang.
Downloads
References
Alden, S., & Sari, B. N. (2023). Implementasi Algoritma CNN Untuk Pemilahan Jenis Sampah Berbasis Android Dengan Metode CRISP-DM. Jurnal Informatika, 10(1), 62–71. https://doi.org/10.31294/inf.v10i1.14985
Fahlevi, R., & Rozikin, C. (2025). Identifikasi Isyarat Tangan Bisindo Dengan Algoritma Cnn Dan Transfer Learning Menggunakan Mobilenetv2. JATI (Jurnal Mahasiswa Teknik Informatika), 9(4), 6592–6597. https://doi.org/10.36040/jati.v9i4.14095
Melyssa, W., Dewi, A., Misriana, M., Suryati, M., & Rachmawati, R. (2022). Pengaruh Algoritma Deep Learning dalam Meningkatkan Akurasi Sistem Pendeteksian Kondisi Jalan Raya. Proceeding Seminar Nasional Politeknik Negeri Lhokseumawe, 6(1), 12–16. https://e-jurnal.pnl.ac.id/semnaspnl/article/view/3426
Sasongko, T. B., Haryoko, H., & Amrullah, A. (2023). Analisis Efek Augmentasi Dataset dan Fine Tune pada Algoritma Pre-Trained Convolutional Neural Network (CNN). Jurnal Teknologi Informasi Dan Ilmu Komputer, 10(4), 763–768. https://doi.org/10.25126/jtiik.2024106583
Ulfa, N., Handayani, T., & Urva, G. (2023). Implementasi Algoritma Frequent Pattern Growth untuk Menganalisa Pola Belanja Konsumen pada Apotek Semoga Jaya. 11(2), 154–165.
Wibowo, A., & Setiyadi, E. (2023). Klasifikasi Dan Deteksi Keretakan Pada Trotoar Menggunakan Metode Convolutional Neural Network. Jurnal Teknik Sipil Cendekia (Jtsc), 4(1), 412–427. https://doi.org/10.51988/jtsc.v4i1.116
Zidan, A., Rahman, M. F., & Puspita Sari, A. (2024). Pemanfaatan Metode Convolutional Neural Network (CNN) Dengan Arsitektur MobileNetV2 Untuk Penilaian Kelayakan Rumah. ALINIER: Journal of Artificial Intelligence & Applications, 5(2), 129–139. https://doi.org/10.36040/alinier.v5i2.11061
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 JUTEKINF
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Seluruh artikel dalam Jurnal Teknologi Komputer dan Informasi dilisensikan di bawah lisensi Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0). Pengguna diperbolehkan untuk berbagi, menyalin, dan menyebarkan ulang materi dalam media atau format apa pun dengan ketentuan mencantumkan kredit, tidak digunakan untuk tujuan komersial, dan tidak melakukan modifikasi terhadap karya.
