JEECAE : Journal of Electrical.
Electronic.
Control and Automotive Engineering Vol.
No.
Bulan Mei Tahun 2025, hal 31-37 p-ISSN : 2541-0288 e-ISSN : 2528-0708 JOURNAL OF ELECTRICAL.
ELECTRONIC.
CONTROL AND
AUTOMOTIVE ENGINEERING (JEECAE)
Homepage jurnal: http://journal.
SISTEM DETEKSI DAN ESTIMASI DIMENSI MENGGUNAKAN METODE
DEEP LEARNING DAN ADAPTIVE ROI
Arfian Iqbal Fatkhulhuda1*.
Sulfan Bagus Setyawan2*.
Hanum Arrosida3.
Denny Hardiyanto4.
Aulia El Hakim5 ,Nadia Ilmiya Maulinda6
1,2,3,4,5,6
Politeknik Negeri Madiun.
Indonesia *Email Responden: sulfan@pnm.
(Artikel diterima: bulan dan tahun pengumpulan jurnal, direvisi: bulan dan tahun jurnal terbi.
ABSTRAK Kerusakan jalan merupakan salah satu faktor penyebab kecelakaan lalu lintas.
Berdasarkan data Dit Lantas Polda Metro Jaya, tercatat 40 kasus kecelakaan, dengan rincian 12 kasus disebabkan oleh jalan rusak, 15 kasus akibat jalan berlubang, 11 kasus karena jalan licin, dan 2 kasus terkait tidak adanya rambu serta tikungan tajam.
Selain menyebabkan kecelakaan, kondisi jalan yang rusak juga berdampak negatif terhadap perekonomian masyarakat dan memperlambat akses transportasi, sehingga mengurangi kenyamanan pengguna jalan.
Untuk mengatasi permasalahan ini dan menekan angka kecelakaan akibat kerusakan jalan, diperlukan upaya inovatif.
Salah satu solusinya adalah pemanfaatan Tensorflow untuk mendeteksi kerusakan jalan secara realtime, yang memungkinkan pengiriman data kerusakan beserta lokasinya.
Namun, teknologi ini belum mampu memperkirakan dimensi kerusakan.
Oleh karena itu, penulis mengusulkan AuSistem Deteksi dan Estimasi Dimensi Menggunakan Metode Deep Learning dan Adaptive RoiAy.
Sistem ini menggunakan kamera untuk menangkap gambar kerusakan jalan, yang kemudian diproses oleh Mini PC.
Data diproses dengan Framework PyTorch Object Detection dengan YOLOv5s.
Setelah mengidentifikasi jenis kerusakan jalan.
Area Estimation System akan digunakan untuk melakukan proses estimasi area pada kerusakan jalan.
Selanjutnya, data akan dikirim ke cloud server.
Dari hasil pengujian seluruh sistem yang telah dilakukan, sistem deteksi dapat melakukan pengujian seluruh sistem secara realtime dan mengidentifikasi jenis kerusakan seperti retak memanjang, retak melintang, retak kulit buaya, alur bekas roda, dan lubang presentasi dengan nilai Accuracy sebesar 83,07%.
Precision sebesar 0,92.
Recall sebesar 0,89, dan F1-Score sebesar 90,4%.
Sistem juga dapat menghitung estimasi area dengan kesalahan 24,6 cm pada lebar, 27,6 cm pada Panjang dan 4,82 mm pada kedalaman.
Kata kunci: Jalan Rusak.
Deep Learning.
Computer Vision.
Training.
Realtime.
PENDAHULUAN
Kecelakaan lalu lintas merupakan salah satu penyebab utama tingginya angka kematian di Indonesia.
Tingkat fatalitas akibat kecelakaan lalu lintas tergolong tinggi, di antara korban kecelakaan, terdapat sejumlah anak sekolah yang turut menjadi korban .
Terdapat sekitar 1,19 juta kasus kematian serta 20 sampai 50 juta korban cedera bahkan ada yang sampai menderita kecacatan yang diakibatkan oleh kecelakaan lalu lintas setiap tahunnya .
Data dari Pusiknas Bareskim Polri pada periode Januari-November 2023 terdapat 134.
867 kasus kecelakaan dengan korban jiwa mencapai 19.
825 orang dan kerugian diperkirakan mencapai 258,18 miliar rupiah .
Data dari Dit Lantas Polda Metro Jaya juga membuktikan terjadi sebanyak 40 kasus dengan rincian 12 kasus akibat jalanan rusak, 15 kasus akibat jalanan berlubang, 11 kasus akibat jalanan licin, 2 kasus kecelakaan akibat tidak ada rambu dan tikungan tajam .
Selain itu, pada 30 Agustus 2023, terjadi kecelakaan jalan rusak di Serpong.
Tangerang Selatan.
Banten.
Seorang pengendara motor kehilangan kendali dan terjatuh saat mencoba menghindari jalan berlubang di sisi kiri jalan, hingga akhirnya terlindas oleh sebuah dump truk .
Kerusakan jalan juga memberikan dampak negatif pada perekonomian masyarakat dan memperlambat akses transportasi, yang pada akhirnya mengurangi kenyamanan pengguna jalan .
Kerusakan jalan juga berdampak pada kenyamanan, ekonomi, serta meningkatkan emisi gas kendaraan .
Berdasarkan kasus-kasus kecelakaan lalu lintas yang disebabkan kerusakan jalan, perlu ada tindakan untuk mengurangi angka kecelakaan yang disebabkan permasalahan tersebut.
Oleh karena itu telah diciptakan beberapa inovasi penelitian oleh .
Pada penelitian tersebut belum memakai kamera dan image processing untuk mendeteksi kerusakan jalan.
Kemudian penelitian yang dilakukan oleh .
, pada sistem yang dibuat belum dapat melakukan estimasi area kerusakan jalan.
Kemudian inovasi dari .
, masih memiliki kelemahan yaitu FPS yang rendah dan membutuhkan hardware dengan spesifikasi tinggi.
JEECAE : Journal of Electrical.
Electronic.
Control and Automotive Engineering Vol.
No.
Bulan Mei Tahun 2025, hal 31-37 Kemudian inovasi dari .
, namun terkendala daya tahan baterai dan jarak kendali.
Penelitian yang dilakukan oleh .
hanya memiliki dua class kerusakan jalan.
Sementara itu.
Setyawan dkk.
mengusulkan deteksi kerusakan jalan secara realtime dengan memanfaatkan transfer learning pada perangkat Nvidia Jetson Nano.
Berdasarkan latar belakang dan permasalahan yang terdapat pada penelitian sebelumnya, penulis mengajukan judul AuSistem Deteksi dan Estimasi Dimensi Menggunakan Metode Deep Learning dan Adaptive RoiAy.
Dataset ini berisi kumpulan foto atau gambar yang mencakup jalan berlubang, jalan retak dan alur bekas roda.
Training dataset dilakukan guna menghasilkan model yang terlatih sebagai model objek deteksi.
Pada proses training dataset tersebut dilakukan menggunakan Google Colab berdasarkan kumpulan dataset yang telah Kemudian sistem ini menggunakan kamera untuk menangkap gambar kerusakan jalan sebagai data masukan, yang kemudian diproses oleh Mini PC.
Pemrosesan data dilakukan menggunakan Framework PyTorch Object Detection dengan memanfaatkan YOLOv5s sebagai model terlatih, sistem ini juga dilengkapi fitur untuk menangkap gambar .
kerusakan jalan secara otomatis.
Setelah mendeteksi jenis kerusakan jalan, sistem akan melakukan estimasi luas area kerusakan, seperti lubang pada jalan, menggunakan Area Estimation System, hasil estimasi tersebut kemudian dikirimkan ke cloud server untuk penyimpanan dan analisis lebih lanjut.
Penelitian ini diharapkan dapat menghasilkan alat yang mampu membantu petugas dinas terkait dalam mendeteksi dan mengestimasi area kerusakan jalan, sekaligus menganalisis indeks kerusakan yang ditampilkan melalui website lengkap dengan pemetaan lokasinya.
Dengan demikian, kerusakan jalan yang berpotensi membahayakan pengguna dapat segera ditangani, sehingga membantu menekan angka kecelakaan lalu lintas yang disebabkan oleh masalah II.
METODOLOGI
Pada bagian ini akan menjelaskan tentang diagram blok sistem, prinsip kerja alat, serta flowchart sistem deteksi dan estimasi dimensi kerusakan jalan, serta teknik untuk menganalisa data.
Diagram Blok Sistem Pada Gambar 1 akan ditunjukkan blok diagram dari Sistem Deteksi dan Estimasi Dimensi Menggunakan Metode Deep Learning dan Adaptive Roi.
p-ISSN : 2541-0288 e-ISSN : 2528-0708 Gambar 1.
Diagram Blok Sistem Gambar 1 merupakan diagram blok sistem dari penelitian ini, pada Gambar 1 yang merupakan diagram blok sistem terdiri dari deteksi kerusakan jalan, sistem pemetaan kerusakan jalan, dan sistem analisa kerusakan jalan.
Penulis mengerjakan bagian sistem deteksi kerusakan jalan, penjelasan dari Gambar 1 dibagi menjadi tiga bagian yaitu:
Input, gambar kerusakan jalan ditangkap oleh webcam.
Kemudian hasil tangkapan webcam tersebut dikirimkan ke Mini PC dengan menggunakan kabel USB.
Modul GPS menjadi masukan untuk Arduino Uno untuk mengetahui titik koordinat lokasi kerusakan jalan.
Process.
Bagian proses adalah dimana semua data masukan diolah oleh Mini PC dan mikrokontroler.
Data masukan berupa tangkapan webcam diolah oleh Mini PC dan data masukan berupa modul GPS diolah oleh Arduino Uno.
Hasil pengolahan Arduino dikirimkan ke Mini PC dengan komunikasi serial.
Output.
Setelah data masukan diproses oleh masing-masing pengolah data.
Data keluaran yang dihasilkan oleh Jetson Nano adalah klasifikasi kerusakan permukaan jalan aspal yaitu retak memanjang, retak melintang, retak kulit buaya, alur bekas roda, dan lubang.
Setelah itu akan dilakukan estimasi area berdasarkan bounding box.
Kemudian data keluaran GPS yang dihasilkan oleh pemrosesan Arduino Uno berupa koordinat lokasi latitude dan longitude.
Ketiga data keluaran tersebut diambil setiap segmen berdasarkan start dan stop deteksi realtime, kemudian data tiap segmen diupload dalam database Prinsip Kerja Alat Pada Gambar 2 akan ditunjukkan prinsip kerja dari alat dari Sistem Deteksi dan Estimasi Dimensi Menggunakan Metode Deep Learning dan Adaptive Roi.
JEECAE : Journal of Electrical.
Electronic.
Control and Automotive Engineering Vol.
No.
Bulan Mei Tahun 2025, hal 31-37 Gambar 2.
Prinsip Kerja Alat Pada Gambar 2 memperlihatkan prinsip kerja alat dari tugas akhir berjudul "Sistem Deteksi dan Estimasi Dimensi Menggunakan Metode Deep Learning dan Adaptive Roi" Proses dimulai dengan webcam mengambil gambar Pada Mini PC, deteksi kerusakan permukaan jalan dilakukan menggunakan model deep learning YOLOv5s untuk mengidentifikasi keberadaan kerusakan permukaan jalan.
Hasil deteksi dan klasifikasi ditandai dengan bounding box.
Berdasarkan bounding box tersebut dilakukan estimasi area kerusakan jalan.
Selanjutnya, data hasil deteksi dan data lokasi dikirimkan ke cloud server dan diteruskan ke database melalui jaringan internet.
Setiap start dan stop sistem deteksi realtime dilakukan pada tiap segmen jalan, sehingga data yang terkirim berupa data persegmen jalan yang berisi lebar jalan, panjang segmen jalan dan lokasi segmen jalan.
Hasil deteksi tersebut akan ditampilkan pada website.
Proses ini memungkinkan pemantauan dan analisis kondisi kerusakan permukaan jalan yang menghasilkan keluaran tingkat kerusakan jalan.
Flowchart Sistem
MULAI
TAMPILKAN
MENU
APLIKASI
TIDAK
TIDAK
TERDETEKSI
KERUSAKAN ?
IYA
PROSES
DETEKSI
DIMULAI ?
TAMPILKAN
BOUNDING
BOX
IYA
TANGKAP
GAMBAR
WEBCAM
MODUL
GPS
SEGMENTASI
WARNA
KONVERSI
KOORDINAT
TAMPILKAN
HASIL
TAMPILKAN
ADAPTIVE
ROI
DETEKSI
KERUSAKAN
JALAN
ESTIMASI
DIMENSI
KRUSAKAN
SELESAI
Pada Gambar 3 menunjukkan flowchart sistem untuk deteksi dan estimasi kerusakan jalan.
Konfigurasi awal dimulai dengan menghubungkan sistem ke internet melalui jaringan hotspot atau WiFi.
Proses ini dilakukan dengan menggunakan layar LCD touchscreen yang terhubung dengan Mini PC.
Setelah terhubung ke internet, webcam Jete W7 akan menangkap gambar kerusakan jalan.
Kemudian gambar tersebut dikirimkan ke Mini PC menggunakan kabel USB.
Hasil gambar kerusakan jalan yang ditangkap oleh kamera akan dilakukan proses deteksi menggunakan model YOLOv5s.
Disaat yang sama modul GPS akan menangkap koordinat dari kerusakan jalan.
p-ISSN : 2541-0288 e-ISSN : 2528-0708 Kemudian ketika terdeteksi adanya kerusakan jalan, selanjutnya akan melakukan proses klasifikasi kerusakan jalan, setelah proses klasifikasi akan ada tampilan bounding box, maka akan dilakukan proses estimasi area berdasarkan bounding box.
Selanjutnya Mini PC akan mengambil foto kerusakan jalan tersebut serta lokasinya yang dikirimkan Arduino Uno dengan komunikasi serial.
Setelah mencapai segmen yang diinginkan, maka dapat menekan tombol stop atau tombol AuqAy pada keyboard untuk menghentikan sistem deteksi, data yang tersimpan mulai dari sistem deteksi di mulai sampai sistem deteksi dihentikan merupakan data dari satu segmen Gambar dan keterangan lokasi tersebut disimpan sementara pada Micro SD, dan kemudian menyimpannya ke database ketika terdapat koneksi internet.
Teknik Analisa Data Analisa data digunakan untuk mengevaluasi performa algoritma dari Machine Learning (ML) .
hususnya supervised learnin.
, menggunakan acuan Confusion Matrix.
Confusion Matrix menunjukkan prediksi dan kondisi sebenarnya .
yang dibuat oleh algoritma Machine Learning.
Berdasarkan Confusion Matrix, kita bisa menentukan Accuracy.
Precision.
Recall dan F1 Score.
Accuracy, merupakan rasio prediksi benar .
ositive dan negativ.
dengan keseluruhan data yang ditunjukkan pada Persamaan .
Precision, merupakan rasio prediksi benar positif dibandingkan dengan keseluruhan hasil yang diprediksi positif yang ditunjukkan pada Persamaan .
Recall merupakan rasio prediksi benar positif dibandingkan dengan keseluruhan data yang benar positif yang ditunjukkan pada Persamaan .
F1 Score merupakan perbandingan rata-rata presisi dan recall yang dibobotkan yang ditunjukkan pada Persamaan .
HASIL DAN ANALISA
Pada bab ini akan dijelaskan mengenai hasil dan pembahasan mengenai Sistem Deteksi dan Estimasi Dimensi Menggunakan Metode Deep Learning dan Adaptive Roi.
Setelah melalui tahapan, perancangan hingga pengujian, pengambilan data serta menganalisa hasil yang diperoleh pada pengujian sistem.
Pengujian Threshold atau Confident Score Beberapa dataset yang dijelaskan pada bagian sebelumnya digunakan untuk proses pengujian.
Hasil dari proses pengujian adalah munculnya prediksi kotak pembatas .
ounding bo.
dan kelas .
pada objek dalam citra.
Namun dalam proses pengujian perlu juga diperhatikan nilai threshold sebagai batas nilai kepercayaan kotak pembatas tentang termuatnya suatu objek dalam kotak pembatas.
Nilai threshold juga mempengaruhi hasil kotak deteksi termasuk True Positive (TP).
False Positive (FP) atau False Negative (FN).
Tabel 1.
Data Confusion Matrix Threshold 0,2 Confusion Matrix Segmen Jalan .
JEECAE : Journal of Electrical.
Electronic.
Control and Automotive Engineering Vol.
No.
Bulan Mei Tahun 2025, hal 31-37 Tabel 2.
Hasil Confusion Matrix Threshold 0,2 Segmen Accuracy F1-Score Precision Recall Jalan .
(%) (%) 0,98 0,82 0,904 0,94 0,84 Rata-rata 0,97 0,85 Tabel 3.
Data Confusion Matrix Threshold 0,4 Confusion Matrix Segmen Jalan .
Tabel 4.
Hasil Confusion Matrix Threshold 0,4 Segmen Jalan Accuracy F1-Score Precision Recall .
(%) (%) 0,904 0,63 0,76 0,54 Rata-rata 0,96 0,64 Pada Tabel 2, nilai Accuracy sebesar 83,9%.
Precision 97.
Recall 0.
85, dan F1-Score 90,9%.
Sedangkan pada pengujian dengan confidence score 0.
4 didapatkan hasil pada Tabel 4, dimana Accuracy sebesar 63,3%.
Precision 0.
Recall 0.
64, dan F1-Score 76,8%.
Dari data tersebut dapat disimpulkan jika semakin kecil confidence threshold, maka sistem deteksi dapat mendeteksi lebih banyak data kerusakan Namun hal ini juga dapat menyebabkan false positive dimana objek yang seharusnya tidak terdeteksi menjadi Pengujian Deteksi Terhadap Intensitas Cahaya Pengujian proses deteksi terhadap intensitas cahaya memiliki tujuan untuk mengetahui seberapa besar tingkat keakurasian pada model deteksi dalam mendeteksi suatu objek terhadap intensitas cahaya yang diterima kamera serta untuk mengetahui pencahayaan optimal yang dapat digunakan untuk Hasil dari pengujian intensitas cahaya ditunjukan pada Tabel 5 berikut.
Tabel 5.
Pengujian Intensitas Cahaya Jumlah Jumlah Intensitas Kerusakan Cahaya (Lu.
Jalan Tabel 6.
Hasil Confusion Matrix
Intensitas F1Accuracy Cahaya
Precision Recall Score
(%)
(Lu.
(%) p-ISSN : 2541-0288
e-ISSN : 2528-0708
0,93
0,53
0,88
0,69
0,93
0,65
Berdasarkan performa hasil deteksi berdasarkan intensitas Cahaya yang ditunjukkan pada Tabel 6.
Pada saat intensitas cahaya bernilai 1.
000 Lux, didapatkan nilai Accuracy sebesar 51,8%, nilai Precission sebesar 0,93, nilai Recall sebesar 0,53 dan F1-Score sebesar 67,5%.
Pada saat intensitas cahaya bernilai 10.
000 Lux, didapatkan nilai Accuracy sebesar 63,8%, nilai Precission sebesar 0,88, nilai Recall sebesar 0,69 dan F1-Score sebesar 77,3%.
Pada saat intensitas cahaya 000 Lux, didapatkan nilai Accuracy sebesar 62,5%, nilai Precission sebesar 0,93, nilai Recall sebesar 0,65 dan F1Score sebesar 76,5%.
Untuk nilai performa deteksi dapat dikatakan bahwa pada saat intensitas cahaya 10.
000 Lux menghasilkan performa deteksi yang lebih baik daripada saat intensitas cahaya 1.
Lux dan 50.
000 Lux, untuk pengujian kali ini, performa deteksi terbaik yang dihasilkan adalah pada saat intensitas Cahaya 000 lux.
Pengujian Deteksi Terhadap Kecepatan Kendaraan Pengujian pengaruh kecepatan kendaraan dengan proses deteksi ini sangat bergantung dengan hasil pengujian performa FPS.
Pengujian bertujuan untuk mencari kecepatan ideal kendaraan dalam mendeteksi kerusakan jalan.
Hasil dari pengujian ditunjukan pada Tabel 7 dan Tabel 8 berikut.
Tabel 7.
Hasil Pengujian Saat Kecepatan 30 km/jam Confusion Matrix Jenis Kerusakan Jumlah asli Jalan Lubang Retak Buaya Retak Memanjang Retak Melintang Alur Bekas Roda Tabel 8.
Hasil Pengujian Saat Kecepatan 40 km/jam Confusion Matrix Jenis Kerusakan Jumlah asli Jalan Lubang Retak Buaya Retak Memanjang Retak Melintang Alur Bekas Roda Tabel 9.
Hasil Confusion Matrix Pengujian Kecepatan Kecepatan F1Accuracy No kendaraan Precision Recall Score
(%)
m/ja.
(%) 30 km/jam 0,93 0,91 40 km/jam 0,97 0,83 Berdasarkan performa hasil deteksi berdasarkan kecepatan kendaraan yang ditunjukkan pada Tabel 9.
Pada saat kecepatan kendaraan berada pada 30 km/jam didapatkan nilai Accuracy sebesar 86,9%, nilai Precision sebesar 0,93, nilai Recall sebesar 0,91 dan F1-Score sebesar 92,3%.
Sedangkan JEECAE : Journal of Electrical.
Electronic.
Control and Automotive Engineering Vol.
No.
Bulan Mei Tahun 2025, hal 31-37 saat kecepatan kendaraan berada pada 40 km/jam didapatkan nilai Accuracy sebesar 81,5%, nilai Precision sebesar 0,97, nilai Recall sebesar 0,83 dan F1 Score sebesar 88,7%.
Untuk nilai performa deteksi dapat dikatakan bahwa kecepatan kendaraan berada pada 30 km/jam pada saat survei menghasilkan performa deteksi yang lebih baik daripada saat kecepatan kendaraan berada pada 40 km/jam.
untuk pengujian kali ini, performa deteksi terbaik yang dihasilkan adalah pada saat kecepatan kendaraan 30 km/jam.
Pengujian Adaptive Region of Interest Pengujian bertujuan untuk mengetahui apakah Adaptive Region of Interest sudah membatasi area deteksi pada area badan jalan Berikut merupakan hasil pengujian estimasi dimensi pada Tabel 10.
Tabel 10.
Pengujian Adaptive Region of Interest
Frame
Total
Error
Total
Rata-rata error
0,25
Berdasarkan performa hasil deteksi Adaptive Region of Interest yang ditunjukkan pada Tabel 10.
Dari data tersebut didapatkan total 30 kerusakan jalan yang terdeteksi dari 20 frame dan terdapat error deteksi berjumlah 5 dengan rata-rata error 0,25 atau 25%.
Hal ini bisa terjadi dikarenakan kondisi lingkungan disekitar jalan menyerupai jalan sehingga sistem mengalami kesulitan untuk membedakan bagian luar jalan.
Estimasi Dimensi Kerusakan Jalan Pengujian bertujuan untuk mengetahui keakuratan dari sistem estimasi area kerusakan jalan berdasarkan bounding box.
Berikut merupakan hasil pengujian estimasi dimensi pada Tabel 11.
Tabel 12, dan Tabel 13.
Tabel 11.
Pengujian Estimasi Lebar Estimasi Estimasi Error .
p-ISSN : 2541-0288 e-ISSN : 2528-0708 Rata-rata 24,64 Tabel 12.
Pengujian Estimasi Panjang Estimasi Estimasi Error .
Rata-rata 27,65 No.
Tabel 13.
Pengujian Estimasi Kedalaman Error Estimasi Pengukuran .
OpenCV .
Manual .
Rata-rata 4,82 Estimasi dimensi dilakukan dengan mengubah ukuran piksel dari bounding box menjadi ukuran mm/piksel.
Untuk mengubah nilai tersebut diperlukan lebar piksel kamera dan lebar area yang terdeteksi kamera.
Dari Tabel 11 didapatkan hasil rata-rata error yaitu 24,64 cm pada lebar.
Tabel 12 didapatkan hasil rata-rata error yaitu 27,65 cm pada panjang.
Sedangkan untuk estimasi kedalaman dilakukan dengan mengubah nilai warna menjadi ukuran mm.
Tabel 13 adalah hasil rata-rata error yang didapat yaitu 4,82 mm.
Error tersebut bisa terjadi karena perbedaan lokasi pengukuran lebar area yang terdeteksi kamera dan posisi bounding box, jika posisi bounding box berada di atas area yang dilakukan pengukuran, maka error JEECAE : Journal of Electrical.
Electronic.
Control and Automotive Engineering Vol.
No.
Bulan Mei Tahun 2025, hal 31-37 akan menjadi besar.
Hal tersebut dikarenakan semakin ke atas, lokasi jalan semakin jauh, sedangkan pengukuran lebar area kamera yang diukur berada di area bawah kamera atau dekat dengan webcam.
Pengujian Keseluruhan Sistem Pengujian keseluruhan sistem memiliki tujuan untuk memastikan bahwa seluruh fitur pada alat dan aplikasi SIROGA dapat bekerja sesuai dengan perencanaan serta mencapai hasil yang diharapkan seperti dapat mendeteksi objek berupa kerusakan jalan, mengukur dimensi kerusakan jalan, mendeteksi lokasi keberadaan kerusakan jalan, dan mengirimkan data berupa gambar kerusakan jalan, dimensi dan lokasinya ke database dan ditampilkan pada website SIROGA.
Tabel 14.
Pengujian Keseluruhan Sistem Jumlah Jumlah Segmen Kerusakan Jalan 0-100 meter 100-200 meter 200-300 meter 300-400 meter 400-500 meter 500-600 meter 600-700 meter 700-800 meter 800-900 meter 900-1000 meter 1000-1100 meter Jumlah Berdasarkan pengujian keseluruhan sistem deteksi, alat dan apikasi SIROGA mampu melakukan pendeteksian, pengklasifikasian, dan mengestimasi dimensi kerusakan jalan.
Dari data hasil pengujian yang menggunakan intensitas cahaya 000 Lux dan kecepatan kendaraan 30 km/jam didapatkan nilai Accuracy sebesar 83,07%.
Precision sebesar 0,92.
Recall sebesar 0,89, dan F1-Score sebesar 90,4%.
Tabel 15.
Perbandingan Dengan Penelitian Terdahulu F1Accuracy Judul
Precision Recall Score
(%)
(%)
Sistem
Deteksi
Kerusakan Permukaan Jalan
Aspal
Berbasis 0,51 Tensorflow dan Nvidia
Jetson
Nano
Sistem
Deteksi
Estimasi
Dimensi
0,83
0,81
Kerusakan Jalan
Berbasis Computer Vision
Sistem
Deteksi
Estimasi
Dimensi
Menggunakan Metode Deep
Learning Adaptive Roi
p-ISSN : 2541-0288
e-ISSN : 2528-0708
83,07
0,92
0,89
Berdasarkan perbandingan dari Tabel 15, pada tugas akhir dengan judul AuSistem Deteksi dan Estimasi Dimensi Menggunakan Metode Deep Learning dan Adaptive RoiAy memiliki peningkatan pada Accuracy sebesar 12,97%.
Preceision meningkat sebanyak 0,09.
Recall meningkat sebanyak 0,08 dan F1-Score meningkat sebanyak 2,8%.
IV.
KESIMPULAN
Berdasarkan hasil perancangan dan pengujian yang telah dilakukan pada tugas akhir yang berjudul AuSistem Deteksi dan Estimasi Dimensi Menggunakan Metode Deep Learning dan Adaptive RoiAy, maka dapat diambil kesimpulan yaitu training model deteksi menggunakan dataset gambar kerusakan jalan dengan jenis retak memanjang, retak melintang, retak kulit buaya, alur bekas roda, dan lubang yang berjumlah 13.
gambar, lalu ditraining selama A 6 jam dan menghasilkan nilai Precision sebesar 0.
Recall sebesar 0.
853, mAP@50 sebesar 0,909.
Sistem dapat mendeteksi objek berupa kerusakan jalan dengan jenis retak memanjang, retak melintang, retak kulit buaya, alur bekas roda, dan lubang dengan nilai akurasi tertinggi sebesar 77,3% pada saat intensitas Cahaya sebesar 000 lux.
Sistem juga dapat melakukan estimasi dimensi kerusakan jalan berdasarkan input nilai lebar kamera, nilai resolusi kamera, serta panjang dan lebar bounding box dengan rata-rata error saat pengujian yaitu lebar sebesar 24,64 cm, panjang sebesar 27,65 cm, dan kedalaman sebesar 4,82 mm.
Penerapan sistem deteksi, klasifikasi dan estimasi dimensi memerlukan beberapa parameter agar sistem dapat bekerja dengan maksimal.
Proses pendeteksian ideal dilakukan dengan kecepatan 30 km/jam saat intensitas cahaya 10.
000 lux hingga 000 lux dengan FPS yang didapatkan adalah 4 FPS.
DAFTAR PUSTAKA