Deteksi Kerusakan Jalan Menggunakan Metode Deep Learning SSD Mobilenet V2 FPNLite

Muttaqiy, Emir Fakhri (2024) Deteksi Kerusakan Jalan Menggunakan Metode Deep Learning SSD Mobilenet V2 FPNLite. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211940000033-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 July 2026. Download (4MB) | Request a copy

Abstract

Jalan raya merupakan suatu lintasan yang memiliki fungsi untuk melewatkan lalu lintas dari suatu tempat ke tempat lain. Jalan raya adalah sarana umum dimana masyarakat dapat menggunakannya untuk keperluan transit dengan menggunakan kendaraan maupun dengan tidak menggunakan kendaraan. Jalan yang merupakan sarana penghubung memerlukan kondisi yang baik agar proses transit dapat berjalan dengan lancar sehingga jalan harus memenuhi syarat teknis dan ekonomis sesuai fungsi, volume, dan sifat-sifat lalu lintas. Jalan raya merupakan sarana vital yang harus dijaga keutuhannya oleh karena itu pemeliharaan berkala dibutuhkan. Pemeliharaan jalan saat ini masih bisa dibilang lambat terutama pada daerah pelosok yang kurang diperhatikan, bahkan pada daerah urban saja masih banyak terlihat kerusakan pada ruas jalan. Kerusakan jalan yang dimaksud ada beberapa kategorinya. Kategori ini sangat umum digunakan industri seperti retak kulit buaya (alligator crack), retak melintang (transverse crack), Lubang (potholes), dan retak membujur(longitudinal crack). Untuk memperoleh data kategori kerusakan yang ada pada suatu ruas jalan adalah dengan melakukan inspeksi secara manual dengan menyusuri jalan. Teknik dengan sebutan lain walk and look measurements ini bisa menghabiskan waktu, apalagi kalau jalan yang diukur ratusan meter. Penelitian ini bertujuan untuk mengefisienkan proses pemeliharaan jalan yaitu pada proses memperoleh data kerusakan jalan. Sistem yang dibuat adalah dengan memanfaatkan sensor citra atau kamera untuk memperoleh data dari ruas jalan atau dengan data berupa rekaman video. Data citra jenis kerusakan jalan dideteksi dan diklasifikasi menggunakan metode Single Shot Multibox Detector(SSD) MobilenetV2 Feature Pyramid Network(FPN)Lite.
===================================================================================================================================
A roadway is a track that has a function to pass traffic from one place to another. Roadways are public facilities where people can use them for transit purposes using vehicles or not using vehicles. Roads that are connecting facilities require good conditions so that the transit process can run smoothly so that the road must meet technical and economic requirements according to the function, volume, and nature of traffic. Roads are vital facilities that must be maintained, therefore periodic maintenance is needed. Current road maintenance is still arguably slow, especially in remote areas that lack attention, even in urban areas there is still a lot of damage to road sections. There are several categories of road damage. These categories are very commonly used by the industry such as alligator cracks, transverse cracks, potholes, and longitudinal cracks. To obtain data on the existing damage category on a road section is to conduct a manual inspection by walking along the road. This technique, known as walk and look measurements, can be time-consuming, especially if the road being measured is hundreds of meters long. This research aims to streamline the road maintenance process, namely in the process of obtaining road damage data. The system created is by utilizing image sensors or cameras to obtain data from road sections or with data in the form of video recordings. Image data of road damage types are detected and classified using the Single Shot Multibox Detector (SSD) MobilenetV2 Feature Pyramid Network (FPN) Lite method.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	jalan raya, retak melintang, SSD MobilenetV2 FPNLite; roadway, transverse crack, SSD MobilenetV2 FPNLite
Subjects:	Q Science > QA Mathematics > QA76.6 Computer programming. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > TA Engineering (General). Civil engineering (General) > TA158.7 Computer network resources T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Emir Fakhri Muttaqiy
Date Deposited:	13 Feb 2024 04:43
Last Modified:	13 Feb 2024 04:43
URI:	http://repository.its.ac.id/id/eprint/106884

Actions (login required)

View Item