Prediksi-Kerusakan-Jalan-Menggunakan-MNIST

1. Klasifikasi Kerusakan Jalan Menggunakan CNN
Program Studi Magister Rekayasa Elektro
Fakultas Teknologi Industri Universitas
Islam Indonesia
Amin Mustofa
22925001

2. Prediksi Kerusakan Jalan
Kerusakan jalan dapat menimbulkan ketidak-nyamanan dalam berkendara dan bahkan dapat mengakibatkan kecelakaan. Beberapa
kerusakan padajalan raya yaitu seperti retak halus, retak kulit buaya, lubang, pelepasanbutir dan sebagainya. Menurut Data Peta
Kondisi Jaringan Jalan Nasionalpada tahun 2017, tingkat kerusakan tipe berat dan ringan pada jalan raya didaerah Jawa Timur telah
mencapai 288 Kilometer.. Berdasarkan hal tersebut,diperlukan adanya peninjauan kondisi jalan dan pemeliharaan secara berkala agar
kerusakan dapat diminimalisir atau dicegah. Kerusakan pada perkerasan jalan atau lapisan penutup aspal harus diprioritaskan
perbaikannya, karena di daerah dengan curah hujan yang tinggi seperti Indonesia, perkerasan jalan dapat lebih cepat rusak
(Departemen-Pekerjaan-Umum, 1995). Langkah awal dari pemeliharaan jalan adalah dengan mengidentifikasi kerusakan pada suatu
jalan, sehingga dapat menentukan tindakan apa yang perlu dilakukan. Metode yang digunakan untuk mengidentifikasi kondisi
kerusakan jalan dapat dilakukan secara manual dan otomatis. Metode manual dilakukan dengan menyusuri jalan, mengambil gambar
kerusakan jalan dengan kamera, mengukur area kerusakan, menentukan tingkat kerusakan sesuai dengan jenis kerusakan jalan, lalu
menghitung dan menuliskannya dalam bentuk laporan. Metode ini sangat menyita waktu, tenaga dan biaya. Apalagi petugas harus
menyusuri lalu lintas, hal tersebut akan membahayakan petugas. Metode ini juga rawan subjektivitas, sehingga dapat memberikan
akurasi yang rendah tentang kerusakan jalan.. mengidentifikasian secara otomatis dilakukan dengan bantuan alat yang dapat
mengambil citra kondisi jalan dan secara otomatis membedakan jenis kerusakan jalan, letak kerusakan jalan dalam citra serta
mengitung tingkat kerusakan jalan sesuai dengan jenis kerusakan jalan. Cara ini lebih efektif, obyektif dan aman dalam upaya
pemeliharaan jalan. Pengidentifikasian ini untuk lebih jauh juga dapat digunakan sebagai acuan dalam memberikan tindakan yang tepat
untuk pemeliharaan jalan

3. Menggunakan CNN dalam Prediksi
Kerusakan
CNN yang dikenal dalam pengenalan, dapat diterapkan pada citra kerusakan jalan. Ini memungkinkan
kita untuk mengklasifikasikan dan memprediksi kerusakan jalan dengan akurasi yang tinggi.

4. Langkah-langkah dalam Prediksi
Kerusakan Jalan menggunakan CNN
1 Preprocessing Data
Menyiapkan citra kerusakan jalan untuk pelatihan model.
2 Pelatihan Model
Melatih model klasifikasi menggunakan CNN.
3 Evaluasi dan Peningkatan
Mengevaluasi kinerja model dan meningkatkannya jika diperlukan.
4 Prediksi dan Penerapan
Melakukan prediksi pada data baru dan menerapkan solusi yang sesuai.

5. Penerapan MNIST pada Dataset
Kerusakan Jalan
Pendataan Kerusakan
Jalan
Melakukan pendataan
kerusakan jalan menggunakan
citra.
Pelatihan Model
Melatih model cnn untuk
mengenali kategori kerusakan
yang berbeda.
Prediksi Kerusakan Jalan
Menggunakan model yang
dilatih untuk memprediksi
kerusakan jalan pada citra
yang baru.

6. Penjelasan terkait
Metode/Algoritma
Klasifikasi Gambar
Menggunakan algoritma klasifikasi
gambar untuk mengenali pola dan ciri
khas kerusakan jalan.
Deep Learning
Menggunakan teknik deep learning
untuk melatih model dengan fitur-fitur
kompleks.
Skala Banyak Kelas
Strategi dalam mengatur dan mengklasifikasikan banyak kategori kerusakan jalan pada
dataset yang luas.

7. Tahapan-tahapan dalam Pembuatan Model
1 Pemilihan Data
Memilih dataset kerusakan
jalan yang representatif dan
mencakup berbagai
kategori kerusakan.
2
Preprocessing Data
Mengolah dan
mempersiapkan data dalam
format yang sesuai untuk
pelatihan model.
3 Pembangunan Model
Membangun arsitektur
model yang sesuai untuk
prediksi kerusakan jalan
dengan akurasi tinggi.

8. Pengukuran Performa
1 Akurasi
Mengukur sejauh mana
model dapat
mengklasifikasikan
kerusakan jalan dengan
tepat.
2 Precision
Mengukur tingkat
kebenaran hasil prediksi
model untuk setiap
kategori kerusakan
jalan.
3 Recall
Mengukur kemampuan
model untuk
mengidentifikasi setiap
kategori kerusakan
jalan.

9. Hasil dan Evaluasi Prediksi
Kerusakan Jalan
Setelah melakukan prediksi terhadap citra kerusakan jalan, hasilnya akan dievaluasi dan dikomparasikan dengan
kebenaran sebenarnya untuk menentukan tingkat akurasi dan efektivitas dari metode prediksi yang telah
digunakan.

10. Keuntungan Menggunakan CNN
dalam Prediksi Kerusakan Jalan
Akurasi Tinggi
CNN dapat memberikan akurasi yang
tinggi dalam mengklasifikasikan
kerusakan jalan berdasarkan gambar.
Solusi Cepat
Dengan menggunakan model CNN,
prediksi kerusakan dapat dilakukan
dengan cepat dan efisien.
Lebih Mudah Diimplementasikan
Penerapan model CNN untuk prediksi kerusakan jalan lebih sederhana dan mudah
diimplementasikan.

11. Kesimpulan
Prediksi kerusakan jalan menggunakan CNN adalah metode yang efektif untuk meningkatkan keamanan
jalan