<![CDATA[Deteksi dini kerusakan jalan, seperti retakan dan deformasi lainnya, sangat penting karena berfungsi sebagai indikatorawal keausan, kerusakan, atau masalah struktural yang mendasari yang dapat membahayakan keselamatan dan daya tahaninfrastruktur jalan. Penelitian ini bertujuan untuk mengembangkan sistem inspeksi otomatis berbasis pembelajaran mendalam(deep learning) dan pemrosesan citra untuk mendeteksi dan mengklasifikasikan kerusakan jalan secara efektif. Dalam proyek ini,kami menggunakan model pembelajaran mendalam dengan CNN (Convolutional Neural Networks) dan arsitektur ResNet untukmempelajari fitur intrinsik kerusakan permukaan jalan melalui gambar, yang kemudian digunakan untuk klasifikasi otomatis kedalam kelas rusak/tidak rusak atau deformasi permukaan. Model YOLO ini menggunakan metode pembelajaran transfer daridata global dan untuk data jalan nasional yang ada di Indonesia. Tidak seperti pendekatan konvensional, penelitian inimenerapkan model YOLO (You Only Look Once) untuk mendeteksi dan mengklasifikasikan kerusakan jalan secara real-time,memungkinkan deteksi langsung pada berbagai permukaan jalan. Dengan kemampuan YOLO dalam deteksi objek yang cepatdan efisien, sistem ini dapat digunakan dalam inspeksi infrastruktur jalan secara rutin dan pemantauan kondisi jalan secaraberkelanjutan. Pendekatan ini telah dievaluasi menggunakan dataset kerusakan jalan yang tersedia di jalan nasional di Palembang,Sumatera Selatan, Indonesia, dan hasil evaluasi menunjukkan bahwa model YOLO tidak hanya mendeteksi kerusakan jalandengan akurasi tinggi, tetapi juga menunjukkan kecepatan deteksi yang unggul dibandingkan dengan metode tradisional. Hasilpenelitian ini menunjukkan potensi signifikan penggunaan YOLO untuk inspeksi jalan otomatis, membantu mengidentifikasi danmenangani kerusakan dini serta mendukung upaya pemeliharaan dan keselamatan jalan.]]>
Copyrights © 2025
