PENGENALAN KERUSAKAN JALAN RAYA BERBASIS CITRA UDARA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN)

RANIA VIRDA SUKMANINGSIH, . (2023) PENGENALAN KERUSAKAN JALAN RAYA BERBASIS CITRA UDARA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN). Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (273kB)
	Text BAB 2.pdf Restricted to Registered users only Download (961kB) | Request a copy
	Text BAB 3.pdf Restricted to Registered users only Download (417kB) | Request a copy
	Text BAB 4.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text BAB 5.pdf Restricted to Registered users only Download (126kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (296kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Pada makalah ini diusulkan penggunaan citra udara yang direkam oleh kamera drone untuk klasifikasi pengenalan kerusakan jalan raya. Citra udara memiliki resolusi yang tinggi, sehingga pendekatan pixel-to-pixel sulit dilakukan karena kerusakan jalan umumnya menyebar ke beberapa piksel. Object Based Image Analysis (OBIA) adalah sebuah metode analisis citra yang menggunakan pendekatan berbasis objek untuk mengidentifikasi dan mengelompokkan fitur-fitur dalam citra. Metode OBIA menggunakan algoritma yang memanfaatkan karakteristik spasial dan morfologi, seperti bentuk, ukuran, dan tata letak untuk mengidentifikasi fitur. Selain itu, metode ini bekerja dengan baik saat dikombinasikan dengan klasifikator Convolutional Neural Network (CNN) dalam mengklasifikasi objek. CNN memiliki keunggulan signifikan dalam efisiensi komputasi dan proses ekstraksi fitur secara otomatis. Pada penelitian ini telah dikembangkan metode Simple Linear Iterative Clustering (SLIC) – Convolutional Neural Networks (CNN) untuk klasifikasi pengenalan kerusakan jalan raya. SLIC akan dieksplorasi dengan memvariasikan jumlah cluster untuk mendapatkan model klasifikasi terbaik. Metode yang diusulkan kemudian diaplikasikan pada citra udara yang menggambarkan kondisi jalan rusak di Wilayah Spanyol. Terdapat empat objek yang dipilih untuk menguji hasil klasifikasi, yaitu aspal, jalan rusak, rumput, dan markah jalan. Hasil klasifikasi dengan metode yang diusulkan mampu mengungguli metode penelitian sebelumnya dalam hal akurasi dan presisi. Rata-rata akurasi yang diperoleh adalah 94,86% untuk SLIC-CNN 300 cluster, 94,70% untuk SLIC-CNN 500 cluster, dan 95,56% untuk SLIC-CNN 700 cluster. ***** In this thesis, the use of aerial images captured by drone cameras for highway defect recognition classification is proposed. Aerial imagery has a high resolution, making the pixel-to-pixel approach difficult because highway defects are generally spread over several pixels. Object Based Image Analysis (OBIA) is an image analysis method that uses an object-based approach to identify and classify features in an image. The OBIA method uses algorithms that utilize spatial and morphological characteristics, such as shape, size, and layout, to identify features. In addition, this method works well when combined with the Convolutional Neural Network (CNN) classifier in classifying objects. CNN has significant advantages in terms of computational efficiency and automatic feature extraction process. In this research, a Simple Linear Iterative Clustering (SLIC) - Convolutional Neural Network (CNN) method has been developed for the classification of highway damage recognition. SLIC will be explored by varying the number of clusters to obtain the best classification model. The proposed method is then applied to aerial images depicting the condition of damaged roads in the Spanish Region. Four objects were selected to validate the classification results: asphalt, damaged roads, grass, and road markings. The classification results with the proposed method outperformed the previous research method in terms of accuracy and precision. The average accuracy obtained is 94,86% for SLIC-CNN 300 clusters, 94,70% for SLIC-CNN 500 clusters, and 95,56% for SLIC-CNN 700 clusters.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr. rer. nat Bambang Heru Iswanto, M.Si. ; 2). Haris Suhendar, S.Si, M.Sc.
Subjects:	Sains > Fisika
Divisions:	FMIPA > S1 Fisika
Depositing User:	Users 18870 not found.
Date Deposited:	04 Sep 2023 00:37
Last Modified:	04 Sep 2023 00:37
URI:	http://repository.unj.ac.id/id/eprint/40030

Actions (login required)

View Item