<![CDATA[Kondisi permukaan jalan yang rusak dapat meningkatkan risiko kecelakaan, menurunkan kenyamanan berkendara, dan memperbesar biaya pemeliharaan kendaraan maupun infrastruktur. Penelitian ini bertujuan membandingkan kinerja arsitektur MobileNetV2 dan ResNet50 dalam mengklasifikasikan kondisi permukaan jalan raya menggunakan pendekatan transfer learning. Dataset yang digunakan terdiri atas 802 citra jalan yang dikelompokkan ke dalam tiga kelas, yaitu Jalan Kategori Baik, Jalan Kurang Baik, dan Jalan Rusak. Data dibagi secara terstratifikasi menjadi 70% data latih, 15% data validasi, dan 15% data uji, kemudian seluruh citra diubah ukurannya menjadi 224 × 224 piksel dan dinormalisasi sesuai kebutuhan masing-masing arsitektur. Pelatihan dilakukan melalui tahap ekstraksi fitur dan fine-tuning dengan pengoptimal Adam, categorical crossentropy, Early Stopping, dan ReduceLROnPlateau. Evaluasi menggunakan akurasi, presisi, recall, F1-score, confusion matrix, serta pengujian citra jalan di luar dataset. Hasil pengujian menunjukkan ResNet50 memperoleh skor 100% pada data uji, sedangkan MobileNetV2 mencapai akurasi 67,8%, presisi 79,4%, recall 67,8%, dan F1-score 61,9%. Namun, pengujian pada citra baru memperlihatkan bahwa ResNet50 mengalami overfitting dan menghasilkan prediksi yang tidak sesuai, sementara MobileNetV2 memberikan prediksi yang lebih representatif. Temuan ini menunjukkan bahwa arsitektur ringan lebih sesuai untuk dataset terbatas dan berpotensi diterapkan pada sistem pemantauan jalan dengan sumber daya komputasi terbatas. Secara praktis, hasil penelitian dapat menjadi dasar pemilihan model yang mempertimbangkan keseimbangan antara ketepatan klasifikasi, kemampuan generalisasi, dan efisiensi komputasi.]]>
Copyrights © 2026
