RIFKA ANRAHVI, - (2026) KLASIFIKASI TINGKAT KERUSAKAN JALAN BERBASIS CITRA DIGITAL MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK. Skripsi thesis, UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU.

Preview	Text (BAB GABUNGAN) Laporan TA bab 1,2,3,5 Rifka - RIFKA ANRAHVI SISTEM INFORMASI.pdf Download (9MB) | Preview
	Text (BAB HASIL) Laporan TA Bab 4 Rifka - RIFKA ANRAHVI SISTEM INFORMASI.pdf Restricted to Repository staff only Download (2MB)
Preview	Text (SURAT PUBLIKASI) Surat persetujuan publikasi - RIFKA ANRAHVI SISTEM INFORMASI.pdf Download (574kB) | Preview

Abstract

Kondisi jalan yang baik merupakan faktor penting dalam memastikan keselamatan, kenyamanan, dan aktivitas ekonomi masyarakat. Identifikasi kondisi jalan di lapangan masih sebagian besar di lakukan secara manual, sehingga membutuhkan waktu dan biaya yang besar. Penelitian ini bertujuan untuk menerapkan serta membandingkan performa beberapa arsitektur Convolutional Neural Net work (CNN) dalam mengklasifikasikan kondisi jalan berdasarkan citra digital ke dalam empat kelas, yaitu good, satisfactory, poor, dan very poor. Penelitian ini menggunakan lima arsitektur CNN, yaitu InceptionV3, DenseNet201, VGG16, EfficientNetB0, dan ResNet50V2, dengan tiga optimiz er, yaitu Adam, SGD, dan RMSprop. Dataset yang digunakan berjumlah 2.074 data citra, yang bersumber dari dataset publik Kaggle dan digunakan sebagai data pelatihan serta pengujian mod el. Eksperimen dilakukan melalui tiga skenario, meliputi tanpa augmentasi dan tanpa preprocessing input, tanpa augmentasi dengan preprocessing input, serta dengan augmentasi dan preprocessing input. Evaluasi performa model dilakukan menggunakan metrik akurasi, serta analisis confusion matrix, classification report, dan kurva ROC–AUC. Hasil penelitian menunjukkan bahwa arsitektur DenseNet201 dengan optimizer RMSprop dan preprocessing input mencapai performa terbaik de ngan tingkat akurasi sebesar 94,31%. Model terbaik selanjutnya diimplementasikan ke dalam sistem berbasis web sebagai bentuk penerapan praktis. Penelitian ini menunjukkan bahwa metode CNN e fektif untuk klasifikasi kondisi jalan multikelas dan berpotensi untuk mendukung sistem pemantauan infrastruktur jalan berbasis citra.

Actions (login required)

View Item