Klasifikasi Jenis Lubang Kerusakan Jalan Menggunakan Faster Region Convolutional Neural Network dengan Pengambilan Data Secara Vertikal dan Horizontal

Abstract

The road is an important aspect when driving. The good or bad condition of the road could be a factor for the safety of the rider. In Medan, there is currently a few road damage found, especially the type of holes. In daily work, the determination of the type of road damage is still done not yet automatically by experts and by using the visual senses to classify the road damage to take action for the next road construction. The parameters of the damage to the potholes are based on the results of a survey conducted by Balitbang (Research and Development Agency) by dividing the types of damage to holes based on 4 categories, namely Small shallow, small deep, large shallow and large deep and also retrieve data using the DJI GO 4 Drone. The total data obtained were 742 hole objects. Therefore, as a solution to this problem, this research utilizes digital image processing using the Faster Region Convolutional Neural Network method to help the workers in classifying the types of potholes damage in realtime. The Faster-RCNN method is a method that introduces RPN so that it can detect objects quickly. The classification is carried out in several stages, namely Fearure Map, RPN and Roi Pooling. This research is using Faster-RCNN method to classify the holes with an accuracy rate of 93.9%

Jalan adalah salah satu aspek yang cukup penting pada saat berkendara. Karena baik tidaknya jalan, dapat menjadi salah satu faktor keselamatan pengendara. Di Kota Medan saat ini tidak sedikit ditemukan kerusakan jalan khususnya jenis lubang. Dalam pekerjaan sehari-hari, penentuan jenis kerusakan pada jalan yang ada di Kota Medan belum dilakukan dengan cara otomatis oleh tenaga ahli dan masih menggunakan indera visual untuk mengklasifikasikan kerusakan jalan. Pada penelitian ini menggunakan data dari Balitbang Dinas Pekerjaan Umum Kota Medan dan juga mengambil data menggunakan Drone DGI GO 4. Adapun total data yang diperoleh sebanyak 742 objek lubang. Diharapkan pada penelitian ini dapat memanfaatkan pengolahan citra digital menggunakan metode Faster Region Convolutional Neural Network sebagai langkah awal bagi pengurus jalan yaitu sistem yang dapat mengklasifikasi jenis lubang kerusakan jalan secara real time dengan 4 kategori kerusakan yaitu kecil dangkal, kecil dalam, besar dangkal dan besar dalam. Metode Faster-RCNN adalah metode yang memperkenalkan RPN sehingga dapat mendeteksi objek dengan cepat. Klasifikasi dilakukan dengan beberapa tahap, yaitu Fearure Map, RPN dan Roi Pooling. Penelitian ini memperoleh tingkat akurasi sebesar 93,9%.