<![CDATA[Abstrak Kerusakan jalan merupakan masalah serius yang dapat menyebabkan kemacetan, kecelakaan, dan risiko keselamatan. Pada makalah ini, diusulkan penggunaan citra drone untuk mengidentifikasi kerusakan jalan raya. Pendekatan pixel-to-pixel pada citra drone yang beresolusi spasial tinggi sulit dilakukan karena kerusakan jalan menyebar ke beberapa piksel. Oleh karena itu, pendekatan OBIA digunakan untuk mengklasifikasikan kerusakan jalan raya dengan memfokuskan objek sebagai kesatuan. Klasifikasi citra dilakukan menggunakan pendekatan Object-Based Image-Analysis (OBIA) dengan mengimplementasikan algoritma Simple Linear Iterative Clustering (SLIC). SLIC akan dieksplorasi dengan memvariasikan jumlah cluster untuk mendapatkan metode ekstraksi ciri yang tepat sebelum dilakukan klasifikasi menggunakan CNN. Terdapat dua objek yang dipilih untuk memvalidasi hasil klasifikasi, yaitu jalan rusak dan jalan tidak rusak. Hasil eksperimen menunjukkan bahwa pendekatan OBIA mampu mengidentifikasi objek kerusakan jalan dengan optimal. Bahkan, pemilihan jumlah cluster juga mempengaruhi nilai akurasi klasifikasi. Penggunaan jumlah maksimal 300 cluster memberikan hasil akurasi klasifikasi terbaik dengan peningkatan 13,87% dibandingkan dengan 500 cluster. Kata-kata kunci: Kerusakan Jalan, OBIA, SLIC, Klasifikasi, Unmanned Aerial Vehicles (UAV) Abstract Road damage is a serious problem that can lead to congestion, accidents, and safety risks. This paper proposes the use of drone imagery for identifying road damage. The pixel-to-pixel approach on high-resolution drone imagery is challenging as road damage can span across multiple pixels. Therefore, an Object-Based Image Analysis (OBIA) approach is employed to classify road damage by focusing on objects as a whole. The classification of images is conducted using the Object-Based Image Analysis (OBIA) approach, implementing the Simple Linear Iterative Clustering (SLIC) algorithm. SLIC will be explored by varying the number of clusters to obtain appropriate feature extraction methods before performing classification using a Convolutional Neural Network (CNN). Two objects, namely damaged road and undamaged road, are selected to validate the classification results. The experimental results demonstrate that the OBIA approach can effectively identify road damage objects. Moreover, the selection of the number of clusters also influences the classification accuracy. The use of a maximum of 300 clusters yields the highest classification accuracy with a 13.87% improvement compared to 500 clusters. Keywords: Road Damage, OBIA, SLIC, Classification, Unmanned Aerial Vehicles (UAV)]]>
Copyrights © 2024
