Penerapan Model Deteksi Jenis Kerusakan Jalan Dengan Menggunakan Algoritma You Only Look Once (YOLO) Versi 8

Putri, Sarah Alissa (2024) Penerapan Model Deteksi Jenis Kerusakan Jalan Dengan Menggunakan Algoritma You Only Look Once (YOLO) Versi 8. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025201272-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (8MB) | Request a copy

Abstract

Peningkatan mobilitas penduduk akibat pertumbuhan populasi menimbulkan tantangan baru dalam pemeliharaan jalan, seperti terlihat pada kondisi ruas jalan Wado – Sumedang, yang menjadi jalur alternatif penghubung Kabupaten Garut, Majalengka, dan Sumedang. Jalan ini mengalami kerusakan berupa lubang, gelombang, dan keretakan. Identifikasi kerusakan jalan adalah langkah awal dalam pemeliharaan, namun metode manual dan penggunaan kendaraan inspeksi multifungsi masih kurang efisien. Oleh karena itu, pengembangan metode identifikasi kerusakan jalan berbasis deep learning menjadi fokus penelitian untuk menyediakan solusi yang lebih efisien dan akurat dalam mendeteksi serta menangani kerusakan jalan, sehingga meningkatkan kualitas dan keselamatan infrastruktur jalan.
Tahap pertama pembuatan model adalah pengumpulan data yang bersumber dari Kaggle, Google Street View, dan Data PUPR dengan total 4.020 gambar yang kemudian dianotasi berdasarkan jenis kerusakan yaitu lubang, retak buaya, retak melintang, dan retak memanjang. Selanjutnya, gambar melalui tahap praproses dengan auto orient, resize, dan pengaturan kontras menggunakan adaptive equalization pada percobaan pertama dan CLAHE pada percobaan kedua, serta augmentasi dengan teknik flip horizontal, rotasi, exposure, blur, noise, zoom, dan pengaturan kecerahan sebelum digunakan untuk pelatihan model. Pada percobaan pertama, model dilatih menggunakan empat kelas sekaligus. Pada percobaan kedua, model dilatih dengan dua kelas terlebih dahulu, kemudian trained weight dilatih dengan empat kelas. Model kemudian dievaluasi untuk mendapatkan nilai metrik.
Penelitian ini diuji dengan beberapa skenario, seperti pengujian variasi resolusi gambar pada Model YOLOv8 dengan ukuran 416, 640, dan 800 piksel, hyperparameter tuning pada batch size 16 dan 32 serta learning rate 1e-3 dan 1e-5, dan optimasi model dengan pelatihan berjenjang pada dataset yang diperluas. Pengujian menunjukkan hasil terbaik pada percobaan kedua dengan pelatihan berjenjang model YOLOv8 medium dengan batch size 16 dan learning rate 1e-5, yaitu precision sebesar 0.676, recall sebesar 0.563, F1-Score sebesar 0.614, dan mAP 50 sebesar 0.599, serta mAP 50-95 sebesar 0.297 pada data uji. Dengan demikian, diharapkan penelitian ini dapat memberikan pandangan yang lebih komprehensif kepada pihak terkait dalam merencanakan perbaikan infrastruktur jalan. Dengan memanfaatkan teknologi dan menerapkan metode terbaik untuk inspeksi kerusakan jalan, proses pengambilan keputusan terkait perbaikan jalan dapat dilakukan lebih efisien dan cepat. Hasil penelitian ini juga diharapkan dapat menjadi landasan untuk penelitian lebih lanjut dalam mengembangkan otomatisasi inspeksi kerusakan jalan, sehingga perbaikan kondisi jalan dapat dilakukan lebih efektif di masa depan.

============================================================
Increased population mobility due to population growth poses new challenges in road maintenance, as seen in the condition of the Wado - Sumedang road section, which is an alternative route connecting Garut, Majalengka, and Sumedang Regencies. This road is damaged in the form of potholes, waves, and cracks. Road damage identification is the first step in maintenance, but manual methods and the use of multifunctional inspection vehicles are still inefficient. Therefore, the development of a deep learning-based road damage identification method is the focus of the research to provide a more efficient and accurate solution to detect and treat road damage, thereby improving the quality and safety of road infrastructure.
The first stage of modeling is data collection sourced from Kaggle, Google Street View, and PUPR Data with a total of 4,020 images which are then annotated based on the type of damage, namely potholes, alligator cracks, transverse cracks, and longitudinal cracks. Furthermore, the images went through a preprocessing stage with auto orient, resize, and contrast adjustment using adaptive equalization in the first experiment and CLAHE in the second experiment, as well as augmentation with horizontal flip, rotation, exposure, blur, noise, zoom, and brightness adjustment techniques before being used for model training. In the first experiment, the model was trained using four classes at once. In the second experiment, the model was trained with two classes first, then the trained weight was trained with four classes. The model was then evaluated to obtain the metric value.
This research was tested with several scenarios, such as testing image resolution variations on the YOLOv8 Model with sizes of 416, 640, and 800 pixels, hyperparameter tuning at batch sizes 16 and 32 and learning rates 1e-3 and 1e-5, and model optimization with cascading training on extended datasets. The test showed the best results in the second experiment with cascading training of the YOLOv8 medium model with batch size 16 and learning rate 1e-5, namely precision of 0.676, recall of 0.563, F1-Score of 0.614, and mAP 50 of 0.599, and mAP 50-95 of 0.297 on the test data. Thus, it is expected that this research can provide a more comprehensive view to related parties in planning road infrastructure improvements. By utilizing technology and applying the best methods for road damage inspection, the decision-making process related to road repair can be done more efficiently and quickly. The results of this study are also expected to serve as a foundation for further research in developing road defect inspection automation, so that road repairs can be carried out more effectively in the future.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Identifikasi Kerusakan Jalan, YOLOv8, CLAHE, Road Damage Identification, YOLOv8, CLAHE
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis
Depositing User:	Sarah Alissa Putri
Date Deposited:	02 Aug 2024 06:10
Last Modified:	02 Aug 2024 06:10
URI:	http://repository.its.ac.id/id/eprint/112597

Actions (login required)

View Item