Deteksi Airgap Pada Beton Menggunakan Cnn Dari Data Gprmax Dua Dimensi

Maulana, Gilang (2024) Deteksi Airgap Pada Beton Menggunakan Cnn Dari Data Gprmax Dua Dimensi. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024201034_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (13MB) | Request a copy

Abstract

Beton memegang peranan penting dalam berbagai proyek infrastruktur. Menurut data, sekitar 70% dari proyek-proyek konstruksi di dunia menggunakan beton sebagai material utamanya. Adanya rongga udara dapat mengurangi kekuatan beton hingga 30% dan mempengaruhi kinerjanya dalam jangka panjang. Pada penelitian kali ini, digunakan CNN 2D untuk mengklasifikasi data sinyal B-Scan hasil generate dari simulasi GPR menggunakan gprMax. File input untuk simulasi dipersiapkan secara otomatis menggunakan python yang nantinya akan digenerate menggunakan GPU. Data tersebut akan dilakukan preprocessing agar dapat dilakukan proses training. Digunakan 5 model CNN 2D pada percobaan kali ini dimana model pertama dilakukan percobaan sebanyak 3 kali untuk mengetahui pembagian data training yang optimal. Model hasil training nantinya akan diuji pada data yang telah disiapkan untuk testing. Digunakan pula Roboflow sebagai pembanding dari CNN 2D dan YOLOv9 sebagai pengujian tahap akhir pada implementasi deteksi berbentuk website. Hasil dari penelitian ini menunjukkan bahwa model CNN 2D yang digunakan mampu mengklasifikasi data sinyal B-Scan dengan akurasi sebesar 0.9964 pada model ke-1 dengan pembagian data 70/15/15. Pada data valiadasi, didapatkan inference time sebesar 115ms/step dengan F1 score sebesar 1.0. Hasil klasifikasi dengan Roboflow juga memiliki akurasi yang baik sebesar 0.986. Pada pengujian tahap akhir, YOLOv9 mampu mendeteksi rongga udara dengan baik dengan akurasi 0.979.

============================================================

Concrete plays a crucial role in various infrastructure projects. According to data, about 70% of construction projects worldwide use concrete as their primary material. The presence of air voids can reduce the strength of concrete by up to 30% and affect its performance over the long term. In this study, a 2D CNN is used to classify B-Scan signal data generated from GPR simulations using gprMax. The input files for the simulations are automatically prepared using Python, and later generated using a GPU. The data undergoes preprocessing to facilitate the training process. Five 2D CNN models are tested in this experiment, with the first model undergoing three trials to determine the optimal training data split. The trained models are then tested on data prepared for testing. Roboflow is also used to compare with the 2D CNNs, and YOLOv9 is employed as the final stage tester in the website-based detection implementation. The results show that the 2D CNN models can classify B-Scan signal data with an accuracy of 0.9964 in the first model with a data split of 70/15/15. In the validation data, an inference time of 115ms/step and an F1 score of 1.0 are recorded. The classification results with Roboflow also show good accuracy at 0.986. In the final stage testing, YOLOv9 effectively detects air voids with an accuracy of 0.979.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Beton, Rongga Udara, CNN, GPR, gprMax
Subjects:	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:	Gilang Maulana
Date Deposited:	01 Aug 2024 03:33
Last Modified:	01 Aug 2024 03:33
URI:	http://repository.its.ac.id/id/eprint/111392

Actions (login required)

View Item