<![CDATA[Klasifikasi kerusakan permukaan jalan dari gambar dan video yang diambil menggunakan perangkat terbatas telah menjadi kebutuhan penting dalam pemeliharaan infrastruktur jalan. Tantangan utama dalam pengembangan metode ini adalah keterbatasan sumber daya dan memori pada perangkat terbatas. Pada penelitian ini diusulkan penggunaan model MobileNetV3-Small untuk klasifikasi kerusakan permukaan jalan. Model ini dirancang untuk efisiensi dan kinerja tinggi pada perangkat dengan sumber daya terbatas. MobileNetV3-Small menggunakan arsitektur ringan yang memungkinkan pengurangan kompleksitas komputasi tanpa mengorbankan akurasi. Model ini dilatih menggunakan dataset yang berisi berbagai jenis kerusakan jalan seperti retak, lubang, dan permukaan bergelombang, dengan teknik augmentasi data untuk meningkatkan generalisasi model. Evaluasi kinerja dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa MobileNetV3-Small mampu mengklasifikasikan kerusakan permukaan jalan dengan akurasi yang tinggi dan komputasi yang efisien. Sistem ini menunjukkan ketahanan yang baik dalam deteksi dan klasifikasi. Kata kunci: Convolutional Neural Network, klasifikasi kerusakan permukaan jalan, MobileNetV3-Small.]]>
Copyrights © 2024
