<![CDATA[Abstract: Perkembangan infrastruktur perkotaan yang pesat menuntut metode pemetaan utilitas bawah tanah yang akurat dan efisien untuk mitigasi risiko selama konstruksi. Keterbatasan interpretasi manual data Ground Penetrating Radar (GPR), yang bersifat subjektif, lambat, dan memerlukan keahlian tinggi, menjadi hambatan utama dalam efisiensi survei geofisika. Penelitian ini berfokus pada deteksi objek secara end-to-end berbasis deep learning yang memanfaatkan arsitektur YOLOv12 untuk otomatisasi identifikasi anomali hiperbolik yang merepresentasikan utilitas pada citra radargram. Model prediksi dilatih dan divalidasi pada dataset utilitas GPR kustom yang telah melalui tahap pra-pemrosesan dan anotasi yang cermat. Hasil pengembangan awal model menunjukkan bahwa model YOLOv12 mencapai kinerja yang cukup baik, dengan mean Average Precision (mAP0.5) sebesar 70%, precision 80% serta recall 70%. Studi ini menunjukkan bahwa arsitektur YOLOv12 bisa menjadi solusi yang kuat, akurat, dan efisien untuk otomatisasi pemetaan utilitas bawah tanah, yang berpotensi merevolusi praktik survei geofisika di bidang teknik sipil dan manajemen infrastruktur. Keywords: GPR, Utilitas, Deep Learning, YOLOv12]]>
Copyrights © 2025
