PERBANDINGAN KINERJA K-NEAREST NEIGHBORS DAN
CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA
KONDISI PERMUKAAN JALAN
Fenny Jong .
Teny Handhayani .
Fakultas Teknologi Informasi.
Universitas Tarumanagara email: fenny.
535210001@stu.
Fakultas Teknologi Informasi.
Universitas Tarumanagara email: tenyh@fti.
Abstract Improving road infrastructure quality is an important aspect of transportation development and road user safety.
Automatically assessing road surface conditions can accelerate maintenance and repair efforts.
This study compares two classification methods.
K-Nearest Neighbors (KNN) and Convolutional Neural Network (CNN), to evaluate road surface conditions based on digital images.
Texture features are extracted using the Gray Level Co-occurrence Matrix (GLCM), including Contrast.
Homogeneity.
Energy, and others, to enhance the classification accuracy in KNN, while feature extraction and classification in CNN are performed The dataset used in this research consists of 1500 images of road surfaces with three different conditions: smooth, cracked, and Each condition contains 500 images with a resolution of 300x300 The results show that the KNN algorithm achieves an accuracy of 2%, while CNN demonstrates the best performance with an accuracy of for 80% training data and 20% testing data Kata Kunci : Convolutional Neural Network.
Road Infrastructure.
Gray Level Co-occurrence Matrix.
K-Nearest Neighbors.
Classification.
PENDAHULUAN
Peningkatan kualitas infrastruktur jalan keselamatan pengguna jalan.
Permukaan jalan memiliki peran krusial dalam mendukung kelancaran mobilitas serta aktivitas masyarakat sehari-hari .
Jalan yang baik tidak hanya meningkatkan berpengaruh pada keselamatan dan Kondisi permukaan jalan yang baik dapat memperpanjang umur pakai jalan tersebut Oleh karena itu, pemantauan dan klasifikasi kondisi permukaan jalan secara berkala sangat penting untuk memastikan kualitas jalan tetap terjaga.
Oleh karena itu, pemantauan dan klasifikasi kondisi permukaan jalan menjadi hal yang penting untuk dilakukan secara berkala .
Pengecekan kualitas jalan raya biasanya dilakukan secara manual yang memerlukan banyak waktu dan tenaga.
Jumlah jalan yang banyak dan proses pengecekan manual merupakan masalah utama dalam perawatan jalan raya .
Salah satu cara untuk mendeteksi dan menganalisis kondisi jalan adalah dengan mengklasifikasikan gambar atau citra permukaan jalan.
Hubungan spasial antar piksel diamati oleh ekstraksi fitur Gray Level Cooccurrence Matrix (GLCM) yang kemudian diklasifikasikan dengan KNearest Neighbors (K-NN) Convolutional Neural Network (CNN) merupakan dua algoritma pembelajaran mesin yang populer dan sering digunakan dalam tugas klasifikasi, termasuk klasifikasi citra.
K-NN merupakan metode pembelajaran berbasis instance yang sederhana namun efektif dalam berbagai masalah klasifikasi .
, sementara CNN sebagai salah satu bentuk arsitektur jaringan saraf dalam, terbukti sangat unggul dalam pemrosesan dan pengenalan citra berkat kemampuannya dalam mengekstraksi fitur secara otomatis .
Penelitian sebelumnya telah banyak membahas penggunaan algoritma K-NN dan CNN untuk berbagai aplikasi klasifikasi citra, seperti pengenalan objek, pengklasifikasian citra medis, hingga analisis citra jalan.
Namun, perbandingan kinerja kedua algoritma ini dalam klasifikasi kondisi permukaan jalan masih Beberapa menunjukkan bahwa CNN lebih unggul dalam hal akurasi dan kemampuan generalisasi dibandingkan metode lain, namun metode yang lebih sederhana seperti K-NN tetap relevan dalam situasi tertentu dengan dataset yang terbatas atau ketika interpretabilitas model sangat Misalnya.
Penelitian Ridol Liusman dkk yang mengembangkan model CNN berbasis arsitektur Xception untuk klasifikasi kualitas permukaan jalan, dengan hasil akurasi mencapai 90,11% .
Penelitian oleh Budiarto dkk.
mengenai sistem klasifikasi permukaan jalan dan penghindaran jalan berlubang pada kursi roda pintar menggunakan metode MobileNetV3-Small mencapai akurasi 88,076% dengan waktu komputasi rata-rata 0,96048 detik .
Selain itu.
Penelitian oleh Muchtar dkk.
penerapan analisis berbasis fraktal dalam klasifikasi citra retakan pada permukaan jembatan beton menggunakan K-Nearest Neighbor (K-NN) berhasil mencapai akurasi 97,6%, dengan presisi 97,659% dan recall 97,6% .
Leboh versi 2 merupakan aplikasi deteksi sampah yang Efficient-Det memperoleh akurasi 82% .
Aplikasi untuk klasifikasi rumah adat Indonesia Efficient-Net .
InceptionV3 dan Xception berhasil digunakan untuk klasifiksi bangunan Pura di Bali .
MobileNetv2 dan InceptionV3 mendapatkan akurasi lebih dari 90% untuk mengklasifikasikan jenis buah .
Penelitian membandingkan algoritma KNN dan CNN dalam klasifikasi kondisi permukaan Diharapkan metode ini akan kondisi jalan yang menggunakan pembelajaran mesin yang lebih efisien.
METODE PENELITIAN
Tahapan proses pengembangan model untuk permukaan jalan digambarkan dalam flowchart yang ditunjukkan pada Gambar Dimulai dengan data gambar permukaan jalan dikumpulkan, yang kemudian diproses melalui tahap Selanjutnya, dikelompokkan data latihan dan data Model K-Nearest Neighbors (KNN) dan Convolutional Neural Network (CNN) kemudian dilatih dengan data latih dan kemudian diuji akurasi dengan data pengujian.
Hasil dari kedua model dievaluasi sebelum memilih model yang lebih baik dan pada akhirnya, model yang paling akurat diputuskan.
Setelah itu, proses diakhiri.
yaycuyceycyciyc = OcycAOe1 ycn,yc = 0.
) .
yaycuycycycuycyyc = OcycAOe1 ycn,yc = 0 Oeycoycu.
)ycE.
yaycuycoycuyciyceycuyceycnycyc = OcycAOe1 ycn,yc = 0 .
cOeyc.
2 ) ycaycuycycyceycoycaycycnycuycu = Ocycn Ocyc.
cn,y.
OeyuNycu yuNyc yuaycu yuayc K-Nearest Neighbors (KNN) adalah algoritma pembelajaran mesin untuk KNN menggunakan K tetangga terdekat dan mayoritas kelas tetangga.
Algoritma ini menentukan kedekatan titik data dengan menggunakan jarak antara mereka.
Ada persamaan berikut untuk rumus KNN .
, di mana d adalah jarak data, i adalah variabel data, n adalah dimensi data Ai adalah data latih Bi adalah data pengujian.
a, yaA) = ocycuycn=1.
aycn Oe yaAycn )2 Gambar 1.
Flowchart Penelitian Gray-Level Co-occurrence Matrix (GLCM) adalah metode ekstraksi fitur untuk analisis tekstur yang menghitung probabilitas hubungan antara dua piksel berdasarkan intensitas, jarak, dan orientasi sudut .
A, 45A, 90A, 135A) dengan jarak antar piksel 1.
Tahapannya meliputi penggabungan matriks, perhitungan probabilitas elemen, dan ekstraksi fitur dari semua arah sudut.
Persamaan rumus GLCM sebagai berikut .
ycAOe1 yaycuycuycycycaycyc = Ocycn,yc = 0 ycE.
cn Oe y.
Convolutional Neural Network (CNN) adalah metode populer untuk pengolahan citra karena kemampuannya mengolah data gambar besar dengan akurasi tinggi dan efisiensi proses.
CNN unggul dalam menyimpan informasi spasial, dengan struktur yang mencakup input, hidden layer, klasifikasi, dan output, serta menggunakan fungsi aktivasi seperti Softmax untuk menghasilkan klasifikasi .
Gambar 2 adalah visualisasi CNN.
Gambar 2.
Convolutional Neural Network (CNN) Berikut ini penjelasan tiap struktur CNN:
Input Layer Lapisan input adalah lapisan pertama yang menyimpan nilai piksel gambar yang dimasukkan .
Convolution Layer Lapisan ini mengekstrak fitur penting dari citra dengan operasi konvolusi Setiap convolutional layer mengidentifikasi fitur sederhana pada lapisan awal dan fitur lebih kompleks pada lapisan Rumus Convolution Layer sebagai berikut .
ycnyc = .
cyce O ycI)ycnyc ycaycnyc Pada persamaan ini, oij adalah nilai keluaran di posisi i, j yang diperoleh dari operasi konvolusi antara filter wj dan input R, menghasilkan .
cyce O ycI)ycnyc Nilai ycaycnyc kemudian ditambahkan untuk meningkatkan kemampuan model menangkap informasi kompleks.
Activation Layer Fungsi aktivasi menentukan apakah Fungsi umum yang digunakan ReLU yaitu mengubah nilai mengurangi risiko overfitting .
Sigmoid yaitu fungsi non-linear yang menghasilkan nilai antara 0 dan 1, sering digunakan untuk klasifikasi biner .
Softmax yaitu menghitung probabilitas dan menentukan kelas berdasarkan nilai yang dinormalisasi.
Pooling Layer Pooling layer digunakan untuk mengurangi feature map konvolusi, mengekstraksi fitur dominan .
Flatten Proses ini mengubah feature map menjadi vektor yang berdimensi satu untuk memudahkan klasifikasi .
Fully Connected Layer Setelah proses convolution dan pooling hasilnya kemudian diubah menjadi vektor input untuk fully connected layer yang setiap nilai dalam vektor ini mewakili probabilitas untuk kelas tertentu dari gambar yang diklasifikasikan .
Metode evaluasi digunakan untuk menilai kinerja model dalam tugas pembelajaran mesin.
Beberapa metrik evaluasi klasifikasi yang digunakan antara lain akurasi, precision, recall, dan F1score.
Metode ini membantu dalam memahami seberapa baik model dalam memprediksi hasil yang benar dan menghindari kesalahan.
Confusion Matrix menggambarkan jumlah prediksi untuk setiap kombinasi kelas aktual dan kelas prediksi (True Positive.
True Negative.
False Positive.
False Negativ.
Gambar 3 adalah visualisasi confusion matrix.
Gambar 3.
Confusion Matrix Precision adalah ukuran jumlah prediksi positif yang benar-benar relevan.
Kemampuan model untuk menemukan semua kasus positif diukur dengan recall.
Rumus recall sebgai berikut.
Akurasi mengukur persentase prediksi yang benar dari total data.
F1-Score adalah skor ratarata untuk presisi dan recall yang Rumus precision, recall, f1-score, dan akurasi dihitung dengan rumus berikut .
ycNycE ycNycA ycaycoycycycaycycn = ycNycE ycNycA yaycE yaycA ycyycyceycaycnycycnycuycu = ycNycE ycNycE yaycE ycNycE ycyceycaycaycoyco = ycNycE yaycA ya1 Oe ycIycaycuycyce = 2 O ycEycyceycaycnycycnycuycu O ycyceycaycaycoyco ycEycyceycaycnycycnycuycu ycyceycaycaycoyco permukaan seperti retakan atau degradasi ringan.
Jalan Berlubang Gambar yang memperlihatkan jalan dengan lubang besar atau kerusakan yang cukup .
HASIL DAN PEMBAHASAN Dataset dalam penelitian ini diperoleh melalui web scraping dari berbagai sumber online yang menyediakan gambar kondisi permukaan jalan.
Dataset terdiri dari 500 gambar per kelas, meliputi kondisi jalan mulus, retak, dan berlubang, yang digunakan untuk klasifikasi.
Penjelasan lebih lanjut tentang kelas-kelas ini terdapat pada Tabel 1, sementara contoh gambar dataset disajikan pada Gambar 4.
Tabel 1.
Kelas Kondisi Permukaan Jalan Kelas Deksripsi Jalan Mulus Gambar yang menunjukkan permukaan jalan yang rata dan tidak terdapat kerusakan atau lubang.
Jalan Retak Gambar yang menggambarkan jalan dengan kerusakan Gambar 4.
Contoh Dataset .
Jalan Berlubang, .
Jalan Mulus, dan .
Jalan Retak.
Tahapan preprocessing dilakukan untuk memastikan data sesuai kebutuhan Semua gambar diubah ukurannya menyamakan dimensi dan mengurangi kebutuhan memori tanpa kehilangan detail Dataset dibagi dalam dua skenario pelatihan dan pengujian: 80:20 dan 70:30.
Pada skenario 80:20, 80% dialokasikan untuk dilatih dan 20% untuk Sedangkan pada skenario 70:30, 70% data dialokasikan untuk dilatih dan 30% untuk pengujian.
Pengujian K-Nearest Neighbors (KNN) dilakukan dengan k = 3 dan berbagai nilai random state .
, 10, 100, 1000, dan 10.
Selain itu, data pelatihan dan pengujian dibagi menjadi dataset 80:20 dan 70:30 untuk mendapatkan informasi tekstual dari Gray-Level Co-occurrence Matrix (GLCM) digunakan untuk mengekstraksi fitur.
Konfigurasi KNN dengan pembagian dataset 70% data Latihan dan 30% data pengujian ditunjukkan dalam Tabel 3 dan Tabel 2 menunjukkan 80% data latihan dan 20% data pengujian.
Tabel 2a.
Hasil Pengujian KNN 80% Data Latihan dan Data pengujian 20% Random State Precision Recall Tabel 2b.
Hasil Pengujian KNN 80% Data Latihan dan Data pengujian 20% F1-score Akurasi Waktu Pelatihan .
Pembagian dataset 80:20 pada Tabel 2 menunjukkan kinerja yang cukup stabil dengan nilai precision dan recall berkisar 56 hingga 0.
58, dan nilai tertinggi tercatat pada random state 10 dan 100, masing-masing mencapai 0.
F1-score juga bervariasi antara 0.
55 hingga 0.
dengan performa terbaik pada random state 10 dan 100.
Sementara itu, akurasi pada pengujian ini berkisar antara 0.
59, dengan random state 10 dan 100 mencatatkan nilai akurasi tertinggi Tabel 3a.
Hasil Pengujian KNN 70% Data Latihan dan Data pengujian 30% Random State Precision Recall Tabel 3b.
Hasil Pengujian KNN 70% Data Latihan dan Data pengujian 30% F1-score Akurasi Waktu Pelatihan .
Pembagian dataset 70:30 pada Tabel 3 menunjukkan hasilnya sedikit lebih rendah dibandingkan dengan pembagian 80:20, namun masih menunjukkan kinerja yang relatif stabil.
Precision dan recall berada dalam kisaran 0.
55 hingga 0.
dengan nilai terbaik tercatat pada random state 10 dan 10000, yang mencapai 0.
Begitu juga dengan F1-score, yang berkisar antara 0.
55 hingga 0.
58, dengan performa tertinggi pada random state 10 Akurasi pada pengujian ini berada di kisaran 0.
55 hingga 0.
58, dengan performa terbaik mencapai 0.
58 pada random state 10 dan 10000.
Pengujian Convolutional Neural Network (CNN) dengan ResNet152V2 dilakukan dengan berbagai jumlah epoch .
, 20, 30, 40, dan .
Tujuan dari eksperimen adalah untuk mengevaluasi pengaruh jumlah epoch terhadap kinerja model dalam mengklasifikasikan kondisi permukaan jalan.
Diharapkan kemampuan model untuk mendeteksi fitur gambar dengan lebih baik dapat ditingkatkan dengan meningkatkan jumlah epoch.
Konfigurasi CNN dengan pembagian data 80% data latihan dan 20% data pengujian ditunjukkan dalam Tabel 4 dan konfigurasi CNN dengan pembagian data 70% data latihan dan 30% data pengujian ditunjukkan di Tabel 5.
Pembagian 80:20 menghasilkan jumlah 38 untuk setiap langkah epoch, sementara pembagian 70:30 menghasilkan jumlah 33 untuk setiap langkah epoch, memberikan gambaran tentang perbedaan dalam distribusi data antara kedua pengaturan Tabel 4a.
Hasil Pengujian CNN 80% Data Latihan dan Data pengujian 20% Epoch Precision Recall Tabel 4b.
Hasil Pengujian CNN 80% Data Latihan dan Data pengujian 20% F1-score Akurasi Waktu .
Tabel 4 menunjukkan hasil pengujian model CNN dengan pembagian dataset 80% untuk latihan dan 20% untuk Hasil pengujian menunjukkan seiring bertambahnya epoch, nilai Precision.
Recall.
F1-score, dan akurasi cenderung stabil pada angka yang tinggi, dengan nilai tertinggi dicapai pada epoch ke-40 yakni 0.
96 untuk Precision.
Recall.
F1-score, dan akurasi, meskipun waktu pelatihan juga semakin lama.
Tabel 5a.
Hasil Pengujian CNN 70% Data Latihan dan Data pengujian 30% Epoch Precision Recall Tabel 5b.
Hasil Pengujian CNN 70% Data Latihan dan Data pengujian 30% F1-score Akurasi Waktu .
Tabel 5 menunjukkan hasil pengujian dengan 70% untuk latihan dan 30% untuk Meskipun hasil Precision.
Recall.
F1-score, dan akurasi sedikit lebih rendah dibandingkan dengan pembagian 80%:20%, model ini tetap menunjukkan performa yang cukup baik dengan nilai tertinggi pada epoch ke-20 yakni 0.
untuk Precision.
Recall.
F1-score, dan Waktu pelatihan juga lebih cepat 80%:20%, terutama pada epoch pertama yang memerlukan waktu hanya 633 detik.
Eksperimen perbandingan dua metode klasifikasi yang digunakan untuk mengklasifikasikan kondisi permukaan jalan, yaitu K-Nearest Neighbors (KNN) dan Convolutional Neural Network (CNN).
Confusion matrix digunakan untuk menampilkan performa klasifikasi dari kedua model, yang memvisualisasikan prediksi benar dan salah untuk masing-masing kelas yaitu berlubang, mulus, dan retak.
Gambar 5 menunjukkan confusion matrix dari model K-Nearest Neighbors (KNN) dengan pembagian data latih 80% dan data pengujian 20%.
Model ini memiliki akurasi rendah, terutama pada data dengan label retak, yang sering salah menunjukkan keterbatasan KNN dalam menangani klasifikasi berbasis citra Sebaliknya Gambar menampilkan confusion matrix dari model Convolutional Neural Network (CNN) yang memberikan performa terbaik dengan pembagian data yang sama.
CNN
mampu mengklasifikasikan data dengan tingkat akurasi tinggi, dengan prediksi benar dominan pada kategori berlubang .
, mulus .
, dan retak .
Hal ini menunjukkan keunggulan CNN dalam menangkap pola visual kompleks, menjadikannya metode yang lebih andal dibandingkan KNN.
Gambar 6.
Confusion Matrix CNN Pembagian 80% Data Latihan dan 20% Data pengujian Tabel 6a.
Rata-rata Hasil Pengujian Algoritma KNN .
KNN .
CNN (ResNet152 V.
CNN (ResNet152 V.
Ratarata Precisi Data Data Latih Tabel 6b.
Rata-rata Hasil Pengujian Rata-rata Waktu .
Tabel 6 hasil pengujian menunjukkan bahwa model CNN dengan model Ratarata Recall Gambar 5.
Confusion Matrix KNN Pembagian 80% Data Latihan dan 20% Data Ratarata F1score Ratarata Akurasi ResNet152V2 dibandingkan dengan KNN.
CNN
menghasilkan rata-rata Precision.
Recall.
F1-score, dan akurasi masing masing sebesar 0.
944, 0.
938, 0.
938, dan 0.
dengan waktu pelatihan rata-rata 2033 untuk 80% latihan dan 20% uji.
Sebaliknya.
KNN dengan k = 3 hanya untuk pembagian dataset 80% latihan dan 20% uji hanya memperoleh nilai rata-rata Precision.
Recall.
F1-score, dan akurasi masing masing sebesar 0.
574, 0.
568, dan 0.
572, dengan waktu pelatihan yang sangat cepat yaitu hanya 0.
Demikian pula, pada pembagian dataset 70% latih dan 30% uji.
CNN tetap menunjukkan performa yang lebih unggul dengan rata-rata Precision.
Recall.
F1score, dan akurasi 0.
93, dibandingkan KNN yang hanya mencapai 0.
572 untuk Precision dan 0.
566 untuk F1-score.
Meskipun KNN memerlukan waktu pelatihan yang lebih singkat.
CNN menunjukkan keunggulan yang signifikan dalam akurasi dan kinerja klasifikasinya pada pembagian dataset 80% latihan dan 20% pengujian.
Pada pembagian data ini, menghasilkan nilai rata-rata Precision 944.
Recall sebesar 0.
F1score sebesar 0.
938, dan akurasi sebesar permukaan jalan karena kemampuannya dalam ekstraksi fitur otomatis, meskipun membutuhkan waktu pelatihan yang lebih Sebaliknya.
KNN lebih sederhana namun kurang efektif dalam menangani pola yang kompleks.
Pengembangan selanjutnya dapat dilakukan dengan menggunakan arsitektur CNN yang lebih canggih untuk meningkatkan akurasi dan efisiensi Selain itu, augmentasi data dapat digunakan untuk meningkatkan variasi data latih agar model lebih andal.
Pendekatan mengombinasikan CNN untuk ekstraksi
fitur dan model KNN atau SVM sebagai pengklasifikasi juga dapat menjadi solusi
untuk mengoptimalkan kelebihan kedua Evaluasi pada data jalan yang lebih beragam juga diperlukan untuk memastikan generalisasi model di kondisi
Dengan pengembangan ini, sistem
klasifikasi kondisi permukaan jalan dapat menjadi lebih akurat dan efektif untuk diterapkan dalam sistem pemantauan jalan
KESIMPULAN DAN SARAN
Eksperimen ini menunjukkan bahwa Convolutional Neural Network (CNN) 93,8%, sedangkan K-Nearest Neighbors (KNN) 57,8%.
CNN
menunjukkan prediksi yang lebih akurat pada semua kelas terutama pada kondisi retak dengan lebih sedikit kesalahan klasifikasi dibandingkan KNN.
Prediksi CNN konsisten mengenali pola visual kompleks, sementara KNN cenderung menghasilkan kesalahan lebih tinggi terutama pada kelas retak dan berlubang.
Hasil ini menegaskan bahwa CNN lebih .
Sari.
Baskara.
Prakoso and M.
Rahman.
AuPenerapan Active Contour Model pada Pengolahan Citra untuk Deteksi Kerusakan Jalan,Ay Jurnal Jalan dan Jembatan, vol.
38, no.
2, pp.
138 147, 2021.
REFERENSI