Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Journal of Marine-Earth Science and Technology Jurnal Dimensi Insinyur Profesional
Denaro, Lino Garda
Unknown Affiliation
Earth & Planetary Sciences Energy Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Deteksi Kerusakan pada Jalan Aspal menggunakan Deep Learning untuk Mendukung Efisiensi Biaya dan Waktu dalam Pemantauan Berkelanjutan Denaro, Lino Garda; Lim, Resmana
Jurnal Dimensi Insinyur Profesional Vol. 3 No. 1 (2025): Maret 2025
Publisher : Petra Christian University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.9744/jdip.3.1.16-25

Abstract

Deteksi dini kerusakan jalan, seperti retakan dan deformasi lainnya, sangat penting karena berfungsi sebagai indikatorawal keausan, kerusakan, atau masalah struktural yang mendasari yang dapat membahayakan keselamatan dan daya tahaninfrastruktur jalan. Penelitian ini bertujuan untuk mengembangkan sistem inspeksi otomatis berbasis pembelajaran mendalam(deep learning) dan pemrosesan citra untuk mendeteksi dan mengklasifikasikan kerusakan jalan secara efektif. Dalam proyek ini,kami menggunakan model pembelajaran mendalam dengan CNN (Convolutional Neural Networks) dan arsitektur ResNet untukmempelajari fitur intrinsik kerusakan permukaan jalan melalui gambar, yang kemudian digunakan untuk klasifikasi otomatis kedalam kelas rusak/tidak rusak atau deformasi permukaan. Model YOLO ini menggunakan metode pembelajaran transfer daridata global dan untuk data jalan nasional yang ada di Indonesia. Tidak seperti pendekatan konvensional, penelitian inimenerapkan model YOLO (You Only Look Once) untuk mendeteksi dan mengklasifikasikan kerusakan jalan secara real-time,memungkinkan deteksi langsung pada berbagai permukaan jalan. Dengan kemampuan YOLO dalam deteksi objek yang cepatdan efisien, sistem ini dapat digunakan dalam inspeksi infrastruktur jalan secara rutin dan pemantauan kondisi jalan secaraberkelanjutan. Pendekatan ini telah dievaluasi menggunakan dataset kerusakan jalan yang tersedia di jalan nasional di Palembang,Sumatera Selatan, Indonesia, dan hasil evaluasi menunjukkan bahwa model YOLO tidak hanya mendeteksi kerusakan jalandengan akurasi tinggi, tetapi juga menunjukkan kecepatan deteksi yang unggul dibandingkan dengan metode tradisional. Hasilpenelitian ini menunjukkan potensi signifikan penggunaan YOLO untuk inspeksi jalan otomatis, membantu mengidentifikasi danmenangani kerusakan dini serta mendukung upaya pemeliharaan dan keselamatan jalan.
TWEET SENTIMENT ANALYSISON GREENSPACES Denaro, Lino Garda; Sujana, Yudianto; Fatihul Ilmy, Hafsah
Journal of Marine-Earth Science and Technology Vol. 2 No. 2 (2021): September
Publisher : Marine & Earth Science and Technology Research Center, DRPM, ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1234.089 KB) | DOI: 10.12962/j27745449.v2i2.105

Abstract

Twitter has become one of the most significant resources for text mining. Twitter can provide information    about human activities, mobility, and emotional patterns along with location data. Many types of text research can be made with these data, one of which is sentiment analysis. This study evaluates the potential of deriving emotional responses of individuals from tweets while they experience and interact with urban green space. A machine learning model using Support Vector Machine (SVM) and corpus from over 2000 movie reviews has been made. This model is used to classify incoming tweets into positive and negative sentiments. Then the web-based recommender system has been built to provide suggestions for green spaces based on users' preferred activities.
Co-Authors Fatihul Ilmy, Hafsah Resmana Lim Yudianto Sujana