Budi, Adi Syahrul Setya (2024) Penerapan Convolutional Neural Network Tiga Dimensi Dalam Rekonstruksi Data Ground Penetrating Radar Tiga Dimensi yang Rusak. Other thesis, Institut Teknologi Sepuluh Nopember.
![]() |
Text
5024201003-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (26MB) | Request a copy |
Abstract
Ground Penetrating Radar (GPR) merupakan teknologi radar untuk memeriksa bawah permukaan tanah, seringkali dihadapkan pada berbagai hambatan, baik dari segi kondisi lingkungan maupun masalah teknis. Salah satu tantangan utamanya adalah kehilangan data sinyal, yang dapat menghambat proses identifikasi, interpretasi, dan analisis data GPR. Untuk mengatasi hal ini, penelitian ini mengembangkan model 3D Autoencoder yang bertujuan untuk merekonstruksi data GPR yang rusak. Model ini dikembangkan menggunakan dataset yang telah diberi noise, mensimulasikan kondisi pengukuran yang tidak ideal. Pelatihan model dilakukan dengan optimasi Adam dan fungsi kerugian root mean square error (RMSE). Berbagai variasi diterapkan, termasuk penambahan layer konvolusi, penggunaan layer dropout, batch normalization, serta penggantian fungsi aktivasi dari ReLU menjadi LeakyReLU. Setelah serangkaian pelatihan, model terbaik yang dihasilkan adalah model 3D Autoencoder dengan penambahan layer konvolusi. Model ini mampu menghasilkan nilai PSNR dan SSIM yang tinggi, menunjukkan kemampuannya dalam merekonstruksi data dengan akurasi yang tinggi. Untuk mengevaluasi kinerja model secara menyeluruh, pengujian dilakukan menggunakan data tes yang tidak pernah dilihat sebelumnya oleh model selama proses pelatihan. Pengujian ini dilakukan melalui aplikasi Streamlit, yang digunakan sebagai platform interaktif untuk memvisualisasikan hasil rekonstruksi secara real-time. Pengguna dapat memasukkan data GPR ke dalam aplikasi dan melihat hasil rekonstruksi dalam bentuk visualisasi 3D, memungkinkan evaluasi cepat terhadap kualitas rekonstruksi dan pemahaman yang lebih baik tentang kondisi bawah permukaan tanah yang diamati. Dengan hasil pengukuran PSNR rata-rata sebesar 47.08 dB dan SSIM sebesar 0.78, model terbaik ini mampu menghasilkan struktur rekonstruksi yang baik dan detail dengan menghilangkan noise yang diberikan.
===================================================================================================================================
Ground-Penetrating Radar (GPR) is a radar technology used to examine subsurface layers of the ground, often encountering various obstacles, both in terms of environmental conditions and technical challenges. One of its main challenges is signal data loss, which can impede the identification, interpretation, and analysis processes of GPR data. To address this issue, this research develops a 3D Autoencoder model aimed at reconstructing damaged GPR data. This model is developed using a dataset that has been injected with noise, simulating less than ideal measurement conditions. Model training is conducted using Adam optimization and the root mean square error (RMSE) loss function. Various variations are applied, including adding convolutional layers, utilizing dropout layers, batch normalization, and replacing the activation function from ReLU to LeakyReLU. After a series of training sessions, the best-performing model is identified as the 3D Autoencoder with additional convolutional layers. This model is capable of producing high PSNR and SSIM values, indicating its ability to reconstruct data with high accuracy. To comprehensively evaluate the model’s performance, testing is conducted using unseen test data, facilitated by the Streamlit application. This interactive platform allows users to input GPR data and visualize real-time reconstruction results in 3D, enabling quick evaluations of reconstruction quality and deeper insights into observed subsurface conditions. With an average PSNR measurement of 47.08 dB and SSIM of 0.78, this best-performing model effectively produces detailed and accurate reconstruction structures by mitigating the injected noise.
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | 3D-GPR, Rekonstruksi, 3D-CNN, PSNR, SSIM, 3D-GPR, Reconstruction, 3D-CNN, PSNR, SSIM. |
Subjects: | T Technology > T Technology (General) > T11 Technical writing. Scientific Writing T Technology > T Technology (General) > T385 Visualization--Technique T Technology > T Technology (General) > T57.5 Data Processing 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: | Adi Syahrul Setya Budi |
Date Deposited: | 25 Jul 2024 07:18 |
Last Modified: | 25 Jul 2024 07:18 |
URI: | http://repository.its.ac.id/id/eprint/108896 |
Actions (login required)
![]() |
View Item |