Model Peningkatan Akurasi Budgeting Pemeliharaan Infrastruktur Jalan Berbasis Hybrid AI-LIDAR

Waliulu, Yusroniya Eka Putri Rachman (2024) Model Peningkatan Akurasi Budgeting Pemeliharaan Infrastruktur Jalan Berbasis Hybrid AI-LIDAR. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 7012201007-Dissertation.pdf] Text
7012201007-Dissertation.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2026.

Download (20MB) | Request a copy

Abstract

Akurasi biaya konstruksi proyek infrastruktur pada tahap konseptual sangat
penting untuk pengambilan keputusan penganggaran. Stakeholder sering
kehilangan kesempatan untuk melaksanakan beberapa proyek yang seharusnya
dapat dikerjakan, namun tidak dianggarkan karena perkiraan biaya yang terlalu
tinggi, mengakibatkan perbedaan antara pagu anggaran yang ditetapkan dan nilai
realisasi kontrak. Salah satu faktor utama yang menyebabkan ketidakakuratan
prediksi biaya proyek infrastruktur jalan adalah identifikasi kondisi kerusakan yang
tidak akurat. Akurasi dalam mendeteksi dan mengklasifikasikan kerusakan merujuk
pada kemampuan untuk mengidentifikasi dan mengkuantifikasi kerusakan dengan
tepat. Semakin tinggi akurasi dalam mendeteksi jenis dan volume kerusakan jalan,
semakin signifikan dampaknya terhadap akurasi budgeting pemeliharaan jalan.
Berbagai metode survei kerusakan fisik infrastruktur jalan telah dilakukan di
Indonesia, mulai dari pengukuran langsung (ground measurement), observasi
visual, hingga penggunaan teknologi sensor dan penginderaan jauh (remote
sensing). Sayangnya, teknologi sensor dan penginderaan masih belum banyak
digunakan karena harganya yang relatif mahal dan kompleks, sebaliknya metoda
observasi visual memberikan akurasi yang rendah.
Penelitian ini bertujuan untuk meningkatkan akurasi penganggaran
pemeliharaan infrastruktur jalan menggunakan hybrid Artificial Intelligence (AI) -
LiDAR. Low-Cost LiDAR digunakan untuk meningkatkan akurasi perhitungan
jenis dan volume kerusakan jalan, sedangkan metode Adaptive Neuro-Fuzzy
Inference System (ANFIS)-AI digunakan untuk memprediksi anggaran yang
dibutuhkan untuk pemeliharaan jalan. Ada empat sub tujuan dalam penelitian ini.
Pertama, mengidentifikasi faktor-faktor yang mempengaruhi biaya pemeliharaan
dan proses penganggaran infrastruktur jalan menggunakan metode analisa
deskriptif dan sistem dinamik. Kedua, menganalisis metode dan teknologi yang
dapat digunakan untuk meningkatkan akurasi identifikasi dan kuantifikasi
kerusakan jalan secara real-time. Ketiga, mengusulkan model penilaian kondisi
kerusakan infrastruktur jalan yang terdeteksi akurat, terklasifikasi, dan memiliki
visualisasi 3D. Untuk tujuan ini, algoritma YOLO (You Only Look Once), jaringan
ii
Convolutional Neural Network (CNN), serta perangkat Low-Cost LiDAR-GNSS
digunakan sebagai alat analisis. Penggunaan Low-Cost LiDAR merupakan salah
satu strategi agar model ini dapat digunakan praktisi dengan biaya yang terjangkau.
Keempat, mengusulkan model yang memiliki akurasi tinggi untuk memprediksi
anggaran pemeliharaan jalan menggunakan AI metode ANFIS, sebuah sistem yang
menggabungkan jaringan saraf tiruan (neural network) dan logika fuzzy (fuzzy
logic) untuk pemrosesan data dan pengambilan keputusan. Untuk kebutuhan
training dan testing model, sebanyak 90 ruas jalan di Kota Mojokerto Jawa Timur,
digunakan sebagai data case study. Sedangkan untuk validasi model, Mean
Absolute Percentage Error (MAPE) digunakan untuk membandingkan prediksi
estimasi biaya pemeliharaan jalan yang dihasilkan model dengan biaya aktual di
lapangan.
Penelitian ini menghasilkan model iRodd (Intelligent Road Damage
Detection) dan RoMAnCe (Road Maintenance ANFIS Cost Model), sebuah model
berbasis Artificial Intelligence untuk sistem pengenalan objek real-time yang dapat
mengidentifikasi, mengklasifikasikan, dan mengkuantifikasi berbagai jenis
kerusakan jalan, serta memprediksi kebutuhan penganggaran (budgeting) biaya
pemeliharaan infrastruktur jalan. Hasil uji akurasi proses deteksi dan klasifikasi dari
model iRodd memiliki keseimbangan yang baik antara kemampuan mengenali
objek dengan presisi tinggi (95%) dan memiliki sensitivitas tinggi untuk
menangkap sebagian besar objek yang seharusnya terdeteksi. Kalkulasi volume
kerusakan menunjukkan tingkat akurasi dengan kesalahan rata-rata sebesar 5,35%
dan nilai Root Mean Square Error (RMSE) sebesar 0,65 cm. Evaluasi performansi
RoMAnCe menunjukkan akurasi tinggi dalam estimasi penganggaran pada tahap
konseptual. Hasil uji konsistensi aturan fuzzy menggunakan membership function
Generalized Bell mencapai 98,42% (error rate 1,58%). Model ini menghasilkan
nilai MAPE sebesar 13,6%, yang menunjukkan bahwa model telah tervalidasi
dengan baik berdasarkan perbandingan hasil analisa model dengan realisasi aktual
nilai kontrak pada tahap pelaksanaan fisik konstruksi. Hybrid Model iRodd dan
RoMAnCe berkontribusi untuk mengidentifikasi kerusakan jalan dalam hal CARE
(low-Cost, Accuracy, Reliability, and Efficiency) dalam mengidentifikasi kerusakan
jalan dan menganalisa penganggaran biaya infrastruktur jalan.
========================================================================================================================
The accuracy of construction cost estimates for infrastructure projects at the
conceptual stage is crucial for budgeting decisions. Stakeholders often miss the
opportunity to undertake several projects that could have been implemented but
were not budgeted due to overestimated costs, leading to discrepancies between the
set budget and the actual contract value. One of the main factors causing
inaccuracies in cost predictions for road infrastructure projects is the inaccurate
identification of damage conditions. Accuracy in detecting and classifying damage
refers to precisely identifying and quantifying the damage. The higher the accuracy
in detecting the type and volume of road damage, the more significant its impact on
the accuracy of road maintenance budgeting. Various methods for surveying
physical damage to road infrastructure have been conducted in Indonesia, ranging
from ground measurements and visual observations to sensor and remote sensing
technology. Unfortunately, sensor and remote sensing technology is rarely used due
to its relatively high cost and complexity, while visual observation methods provide
low accuracy.
This research aims to improve the accuracy of road maintenance budgeting
using a hybrid AI-LiDAR approach. Low-cost LiDAR is used to enhance the
accuracy of calculating road damage type and volume, while AI is used to predict
the budget needed for road maintenance. There are four main objectives in this
research. First, dynamic systems methods identify the factors influencing
maintenance costs and the road infrastructure budgeting process. Second, to analyse
methods and technologies that can be used to improve the accuracy of identifying
and quantifying road damage. Third, to propose an accurate, classified, and realtime
visualized model for assessing road infrastructure damage. For this purpose,
the YOLO (You Only Look Once) algorithm, Convolutional Neural Network
(CNN), and Low-Cost LiDAR-GNSS devices are used as analysis tools. Low-cost
LiDAR is a strategy that makes this model affordable for practitioners. Fourth, to
propose a model with high accuracy for predicting road maintenance budgets using
the ANFIS (Adaptive Neuro-Fuzzy Inference System), a system that combines
iv
neural networks and fuzzy logic for data processing and decision-making. For
model training and testing, 90 road sections in Mojokerto, East Java, are used as
case study data. In contrast, for model validation, Mean Absolute Percentage Error
(MAPE) is used to compare the budget estimates produced by the ANFIS model
with the actual contract costs in the field.
This research has produced software called iRodd (Intelligent Road Damage
Detection) and RoMAnCe (Road Maintenance ANFIS Cost Model), which are AIbased
models for real-time object recognition systems that can identify, classify,
and quantify various types of road damage, as well as predict budgeting needs for
road maintenance infrastructure. Accuracy tests for detection, classification,
calculation, and visualization processes in the iRodd model show a precision of
95%, a sensitivity value of 80%, and a good balance between the ability to recognize
objects with high precision and capture most of the objects that should be detected.
Damage volume calculations show an accuracy level with an average error of
5.35% and a Root Mean Square Error (RMSE) of 0.65 cm compared to reference
data. Performance evaluation of RoMAnCe, a budgeting model based on the
Adaptive Neuro-Fuzzy Inference System (ANFIS), shows high accuracy in
budgeting estimates at the conceptual stage. The consistency test results for fuzzy
rules using the gbell membership function reached 98.42% (an error rate of 1.58%).
This model produced a MAPE value of 13.6%, indicating that the model has been
well-validated based on comparing the model analysis results with the actual
contract values during the physical construction phase. The iRodd and RoMAnCe
Hybrid Models contribute to identifying road damage in terms of CARE (low-Cost,
Accuracy, Reliability, and Efficiency) in identifying road damage and analyzing the
budgeting of road maintenance infrastructure costs.

Item Type: Thesis (Doctoral)
Uncontrolled Keywords: anggaran, Adaptive Neuro Fuzzy Inference System (ANFIS), deteksi, infrastruktur jalan, kerusakan, Low-Cost LiDAR, pemeliharaan, real time, YOLO (You Only Look Once)
Subjects: T Technology > TE Highway engineering. Roads and pavements > TE228.3 Intelligent transportation systems.
T Technology > TE Highway engineering. Roads and pavements > TE250.P475 Pavements--Design and construction--Estimates.
Divisions: Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Civil Engineering > 22001-(S3) PhD Thesis
Depositing User: Yusroniya Eka Putri Rachman Waliulu
Date Deposited: 06 Aug 2024 07:58
Last Modified: 06 Aug 2024 07:58
URI: http://repository.its.ac.id/id/eprint/114135

Actions (login required)

View Item View Item