Article Per Year (5 Year)
p-Index From 2021 - 2026
3.593
P-Index
This Author published in this journals
All Journal JURNAL PENDIDIKAN TAMBUSAI Jurnal Mandiri IT Jurnal Ilmiah Multidisiplin (JUKIM) Journal of Educational Sciences ABDINE Jurnal Pengabdian Masyarakat Jurnal Teknologi Komputer dan Informasi EJOIN : Jurnal Pengabdian Masyarakat Innovative: Journal Of Social Science Research Jurnal Pengabdian Masyarakat Bangsa Indonesian Journal of Community Empowerment Jurnal Pengabdian Masyarakat Ulil Albab
Merina Pratiwi
Sekolah Tinggi Teknologi Dumai, Dumai, 28811, Indonesia
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Economics, Econometrics & Finance Education Energy Environmental Science Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Medicine & Pharmacology Nursing Physics Public Health Social Sciences Other

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search

 1   2   3 
Model Deep Learning Berbasis Convolutional Neural Network (CNN) untuk Identifikasi Tingkat Kerusakan Jalan di Kota Dumai Rizki, M. Rizki Adrian; Aldhi Albadri; Merina Pratiwi
Jurnal Teknologi Komputer dan Informasi Vol. 13 No. 2 (2025): Juli - Desember 2025
Publisher : Sekolah Tinggi Teknologi Dumai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52072/jutekinf.v13i2.1816

Abstract

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.
Co-Authors Aldhi Albadri Amiroel Oemara Syarief Amiroel, Amiroel Danny, Garry Dita Rizki Fitria Fitri Yanti Gellysa Urva Indra Kurniawan Indradewa, Rhian Rizki, M. Rizki Adrian S.kom, Ardison Sari, Febrina Tri Handayani Vivianty, Nancy Yuliati, Tri