Pramestya, Ravy Hayu (2018) Deteksi dan Klasifikasi Kerusakan Jalan Aspal Menggunakan Metode YOLO berbasis Citra Digital. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
06111650010019-Master_Thesis.pdf - Accepted Version Download (8MB) | Preview |
Abstract
Jalan merupakan infrastuktur yang penting, sehingga diperlukan adanya pemeliharaan jalan secara berkala. Pengidentifikasian jenis kerusakan jalan merupakan hal yang perlu dilakukan dalam upaya penilaian kondisi jalan secara otomatis. Pengidentifikasian kerusakan jalan secara manual membutuhkan waktu yang lama dan dapat menimbulkan ambigu karna faktor subyektifitas petugas dalam penilaian kondisi jalan. Beberapa metode telah digunakan untuk mendeteksi dan mengklasifikasi kerusakan jalan secara otomatis, seperti Support Vector Machine (SVM) dan Fuzzy C-Means Clustering. Penelitian ini mendeteksi dan mengklasifikasi citra kerusakan jalan dengan menggunakan metode YOLO. Jenis kerusakan jalan yang diidentifikasi sebanyak tiga jenis, yaitu kerusakan jalan jenis lubang, retak garis dan retak non-garis. Metode YOLO menggunakan Convolutional Neural Network (CNN) dalam arsitekturnya, dan telah memberi hasil yang baik dalam identifikasi objek pada citra maupun video. YOLO telah diuji pada berbagai dataset dan terbukti memberi hasil yang cepat dan cukup akurat. Pada penelitian ini, pre-processing data yang dilakukan yaitu cropping dan resizing citra serta anotasi data. Lalu proses pelatihan dilakukan dengan fine tuning jaringan YOLO. Arsitektur YOLO yang digunakan adalah arsitektur dengan 9 layer konvolusi dan 6 layer maxpool. Terdapat empat dataset yang digunakan untuk proses pengujian, yaitu dataset dengan citra tanpa diberi gangguan, dataset citra dengan gangguan efek kabur (blur), dataset citra dengan gangguan penambahan intensitas cahaya serta dataset citra dengan pengurangan intensitas cahaya. Dari hasil pengujian pada empat dataset tersebut, didapatkan rata-rata nilai akurasi klasifikasi adalah 99.25%., rata-rata deteksi kotak pembatas adalah 74.57% sedangkan rata-rata kecepatan klasifikasi dan deteksi adalah 0.911 detik tiap citra.
Kata-kunci: Kerusakan jalan, lubang, retak, Convolutional Neural Network, YOLO
==================================================================================
Road is an important infrastructure, so it is necessary to maintain the road
regularly. Detection of road distress is a necessary step in automatically road
maintenancing. Manual detection of road distress takes a long time and can
cause ambiguity due to the officer’s subjective factor in the assessment of road
conditions. Several methods have been used to detect and classify road distress
automatically. Such as Support Vector Machine (SVM) and Fuzzy C-Means
Clustering. This research detects and classifies the distress pavement image
by using YOLO method. The type of road distress detected are three types,
they are potholes, line-cracks and non-line cracks. The YOLO method use
Convolutional Neural Network (CNN) in its architecture, and has given good
results in object detection both on images and videos. YOLO has been tested
in various datasets and given faster and accurate results. In this research,
data pre-processing steps are cropping and resizing images then annotating the
data. After that, the training is done by fine tuning YOLO network process.
The YOLO architecture use 9 layer convolution and 6 layer maxpool. There are
four datasets used for the test process, i.e. image without disturbance dataset,
blurred datasets, datasets with the addition of light intensity and dataset with
light intensity reduction. The testing results for four datasets, show that the
average of object classification accuracy is 99.25%, the average of bounding box
detection is 74.57%, while the average of classification and detection speed is
0.911 second per image.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTMa 006.42 Pra d |
| Uncontrolled Keywords: | Wireless sensor network, Konsesnsus terdistribusi minimum, Konvergensi, Processor |
| Subjects: | T Technology > T Technology (General) > T57.5 Data Processing |
| Divisions: | Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis |
| Depositing User: | Ravy Hayu Pramestya |
| Date Deposited: | 13 Nov 2020 12:35 |
| Last Modified: | 22 Dec 2020 06:24 |
| URI: | http://repository.its.ac.id/id/eprint/59044 |
Actions (login required)
 |
View Item |