Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JOISIE (Journal Of Information Systems And Informatics Engineering)
Shodiq, Umar
Unknown Affiliation
Computer Science & IT

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

Found 1 Documents
Search

 1 
KLASIFIKASI JALAN RUSAK MENGGUNAKAN TRANSFER LEARNING ARSITEKTUR VGG16 Shodiq, Umar; Maimunah, Maimunah; Avizenna, Meidar Hadi
JOISIE (Journal Of Information Systems And Informatics Engineering) Vol 8 No 1 (2024)
Publisher : Institut Bisnis dan Teknologi Pelita Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35145/joisie.v8i1.4243

Abstract

Kerusakan jalan merupakan masalah yang sering ditemukan, termasuk di Provinsi Jawa Tengah dengan lebih dari 50% kondisi jalan masih rusak. Namun demikian, proses pencatatan klasifikasi kerusakan jalan masih manual sehingga membutuhkan waktu yang lama dan menghasilkan akurasi yang rendah. Untuk mengatasi masalah tersebut salah satu caranya adalah mempercepat proses pencatatan jenis kurasakan jalan dengan memanfaatkan teknologi untuk melakukan klasifikasi citra jalan rusak. Metode klasifikasi yang digunakan dalam penelitian ini dengan menggunakan algoritma Convolutional Neural Network (CNN) dengan model transfer learning arsiterktur VGG16. Penelitian ini juga menambahkan 3 skenario pada tahap preprocessing seperti penggunaan histogram CLAHE dan green channel, CLAHE dan Gamma Correction, serta Gamma correction dan green channel. Dataset yang digunakan berjumlah 940 gambar jalan rusak dibagi menjadi 3 label yaitu berlubang, stripping, dan retak. Gambar tersebut akan digunakan untuk menghasilkan model dengan akurasi yang terbaik. Hasil penelitian menunjukkan bahwa skenario kedua, yang menggunakan kombinasi CLAHE dan Gamma Correction, memberikan hasil terbaik dengan akurasi sebesar 82,98%, nilai rata-rata precision sebesar 83%, dan kesalahan terendah berdasarkan analisis tabel confusion matrix. Dengan demikian, skenario kedua mampu mengklasifikasikan jenis kerusakan jalan dengan cukup baik dan dapat meningkatkan efisiensi serta akurasi dalam klasifikasi kerusakan jalan.
Co-Authors Maimunah, Maimunah Meidar Hadi Avizenna