Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Al Maulidiyah, Nurul Fajriyah
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Deteksi Anomali Permukaan Jalan Berdasarkan Data Sensor Gerak Smartphone Menggunakan Metode Bidirectional Long Short-Term Memory Al Maulidiyah, Nurul Fajriyah
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 7 (2024): Juli 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Jalan merupakan infrastruktur penting untuk mobilitas dan pemerataan pembangunan. Namun, banyak jalan di Indonesia mengalami kerusakan akibat volume lalu lintas yang tinggi, dengan sekitar 32% dalam kondisi tidak layak. Permukaan jalan yang rusak dapat memengaruhi keselamatan berkendara dan menjadi salah satu penyebab kecelakaan lalu lintas. Pemantauan dan pemeliharaan kondisi jalan sangat penting untuk mendeteksi anomali seperti lubang atau gundukan yang dapat mengganggu kenyamanan dan keselamatan berkendara. Metode berbasis getaran menggunakan sensor gerak pada smartphone seperti akselerometer dan giroskop bisa digunakan untuk menghemat biaya dan dapat menggantikan kendaraan patroli khusus. Penelitian ini akan menggunakan metode Bidirectional Long Short-Term Memory (Bi-LSTM) untuk mendeteksi kondisi permukaan jalan berdasarkan data sensor gerak dari smartphone. Hasil penelitian menunjukkan bahwa model Bi-LSTM mampu mengidentifikasi anomali permukaan jalan dengan akurasi yang tinggi. Evaluasi model menggunakan metrik akurasi, precision, recall, dan F1-score menunjukkan bahwa model bekerja lebih baik pada data yang seimbang dibandingkan data yang tidak seimbang. Model dengan kombinasi parameter terbaik mencapai akurasi 0,95 pada data uji, dengan precision, recall, dan F1-score yang tinggi dan seimbang untuk semua kelas. Pengujian K-Fold Cross-Validation menunjukkan konsistensi kinerja model dengan rata-rata akurasi pengujian sebesar 0,95.
Co-Authors