Deteksi dan Klasifikasi Keretakan Jalan Menggunakan Metode You Only Look Once

Abstract

The road is the important aspects of transportation, road health greatly affects driving safety. However, road health is often neglected, especially the type of crack damage, so the damage is getting worse. In dealing with road damage, especially in Medan, they still use the visual senses to determine the type of road damage, of course this is very inefficient. Therefore, as a solution to this problem, this research utilizes digital image processing using You Only Look Once method version-3 as a first step for road administrators to help determine the type of cracked road damage. The YOLO-V3 method is a method that introduces Darknet-53, which is a more detailed extractor feature than the previous version so that it can detect objects in detail and quickly. Classification is carried out in several stages, namely Bounding Box Prediction, Class Prediction, Cross-Scale Prediction and Feature Extractor. Then determine the classification of the type of crack used based on the parameters of the Balitbang survey form. This study obtained test results with the method used to classify the level of accuracy of 96.4% from a total of 1107 data.

Jalan menjadi salah satu aspek penting dalam menjalankan seluruh aktivitas manusia, tentunya kesehatan jalan sangat mempengaruhi keselamatan dalam berkendara. Namun sering sekali kesehatan jalan dihiraukan khususnya kerusakan jalan jenis retak, sehingga menyebabkan kerusakan bertambah parah. Dalam penanganan kerusakan jalan khususnya di kota Medan masih menggunakan indera visual sebagai penentuan jenis kerusakan jalan, tentunya hal ini sangat tidak efisien, Oleh sebab itu, sebagai solusi dari permasalahan yang ada, penulis mencoba memanfaatkan pengolahan citra digital menggunakan metode You Only Look Once versi-3 sebagai langkah awal bagi pengurus jalan untuk membantu menentukan jenis kerusakan jalan retak. Metode YOLO-V3 adalah metode yang memperkenalkan Darknet-53, yang merupakan fitur ekstraktor lebih detail dari versi sebelumnya sehingga dapat mendeteksi objek dengan detail dan cepat. Klasifikasi dilakukan dengan beberapa tahap yaitu Bounding Box Prediction, Class Prediction, Prediction Across Scales dan Feature Extractor. Kemudian menentukan klasifikasi jenis retak digunakan berdasarkan parameter dari form survei Balitbang. Penelitian ini memperoleh hasil pengujian dengan metode yang digunakan dapat mengklasifikasi lubang dengan tingkat akurasi sebesar 96,4 % dari total 1107 data.