<![CDATA[Pemeliharaan bangunan adalah kegiatan krusial untuk memastikan infrastruktur tetap aman, berfungsi optimal, dan sesuai dengan standar yang berlaku. Proses inspeksi konvensional, seperti penggunaan scaffolding atau crane, sering kali membutuhkan biaya yang tinggi, waktu yang lama, serta melibatkan risiko keselamatan pekerja. Teknologi drone hadir sebagai solusi alternatif yang lebih efisien dan aman. Dengan dilengkapi kamera beresolusi tinggi, drone dapat mengambil gambar detail dari sudut yang sulit dijangkau, sehingga mempercepat dan meningkatkan akurasi deteksi kerusakan. Dalam penelitian ini, algoritma YOLOv8 digunakan untuk mendeteksi kerusakan pada struktur bangunan melalui analisis gambar yang diambil oleh drone. Pendekatan penelitian melibatkan simulasi yang mencakup perancangan lingkungan menggunakan Blender, GIMP, dan Gazebo, serta penerapan perangkat lunak deteksi berbasis YOLOv8 di Google Colab. Hasil pelatihan dengan 100 epoch dan memakan waktu 2 jam menunjukkan bahwa YOLOv8 secara signifikan mengurangi nilai loss, seperti box_loss dari 1.6 menjadi 1.0, cls_loss dari 3.0 menjadi 1.0, dan dfl_loss dari 1.6 menjadi 1.1. Selain itu, performa model meningkat dengan metrics/mAP50(B) dari 0.2 menjadi 0.65, dan metrics/mAP50-95(B) dari 0.1 menjadi 0.5, mengindikasikan peningkatan presisi seiring dengan pelatihan yang dilakukan. Dan juga akurasi sebesar 0.50, presisi sebesar 0.46 recall 0.73 dan F1-Score sebesar 0.55 menunjukkan bahwa sistem dapat mendeteksi cukup banyak meskipun mungkin banyak juga deteksi palsunya.Sebagai kesimpulan, sistem deteksi berbasis YOLOv8 yang dikembangkan dalam penelitian ini terbukti mampu mendeteksi kerusakan gedung dengan menggunakan drone secara efektif. Sistem ini tidak hanya memenuhi kebutuhan teknis tetapi juga menawarkan solusi yang lebih hemat biaya, aman, dan efisien untuk proses inspeksi bangunan. Penelitian ini menunjukkan potensi besar dalam mengintegrasikan teknologi drone dan kecerdasan buatan untuk mendukung pemeliharaan infrastruktur.]]>
Copyrights © 2025
