Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Krisna Dzakyya Darajat
Universitas Nusantara PGRI KEDIRI
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Modul Atensi Coordinate Attention (CA) dan Convolutional Block Attention Module (CBAM) pada Arsitektur YOLOv8n untuk Deteksi Retak Jembatan Krisna Dzakyya Darajat; Resty Wulanningrum; Risky Aswi Ramadhani
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 10 No. 3 (2026): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2026
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/y5z37q53

Abstract

Pemeliharaan jembatan membutuhkan inspeksi retak rambut guna mencegah kegagalan struktural. Inspeksi manual memakan waktu dan sulit mengidentifikasi retakan tipis pada permukaan beton yang bising (noisy background). Penelitian ini bertujuan mengembangkan sistem deteksi otomatis dengan membandingkan efektivitas YOLOv8n standar terhadap model modifikasi bermekanisme atensi: Coordinate Attention (CA) dan Convolutional Block Attention Module (CBAM). Manfaat penelitian ini adalah menyediakan landasan sistem peringatan dini yang akurat, real-time, dan hemat biaya komputasi. Temuan ini berdampak pada efisiensi pengawasan karena membuktikan fitur dasar YOLOv8n sudah optimal untuk retakan tipis tanpa perlu arsitektur tambahan. Evaluasi dilakukan menggunakan dataset citra retak jembatan dengan mengukur metrik Precision, Recall, dan mAP. Hasil eksperimen menunjukkan model baseline YOLOv8n mencapai kinerja tertinggi dengan Precision 83%, Recall 72%, mAP@50 78%, dan mAP@50-95 49%. Sebaliknya, penambahan modul atensi menunjukkan sedikit penurunan performa; model CBAM menghasilkan mAP@50 sebesar 77% dan model CA sebesar 76%.
Co-Authors Resty Wulanningrum Risky Aswi R, Risky