KLASIFIKASI KERUSAKAN JALAN DI INDONESIA MENGGUNAKAN MOBILENET-V2

Ardiansyah, Septa (2026) KLASIFIKASI KERUSAKAN JALAN DI INDONESIA MENGGUNAKAN MOBILENET-V2. Skripsi thesis, Institut Teknologi Nasional Malang.

	Text Bagian Awal.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (538kB)
	Text BAB I.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (139kB)
	Text BAB II.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (503kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (642kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (722kB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (99kB) | Request a copy
	Text Daftar Pustaka.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (144kB)
	Text Lampiran.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB) | Request a copy

Abstract

Penelitian ini membahas klasifikasi dan identifikasi kerusakan jalan di Indonesia dengan metode Deep Learning berbasis SSD MobileNetV2. Masalah yang diangkat adalah pemeriksaan kondisi jalan yang masih dilakukan secara manual, sehingga memerlukan waktu yang lama, biaya yang tinggi, dan rentan terhadap penilaian yang subjektif. Studi ini bertujuan untuk mengembangkan sistem deteksi kerusakan jalan yang dapat mengidentifikasi jenis kerusakan seperti potholes dan retakan, menetapkan lokasi kerusakan dengan menggunakan bounding box, serta menghitung estimasi tingkat keparahan jalan ke dalam kategori ringan, sedang, dan berat. Metode yang dipakai adalah Single Shot MultiBox Detector (SSD) dengan backbone MobileNetV2 dan pendekatan Transfer Learning. Dataset diperoleh dari Kaggle dan Roboflow dengan total 13.086.Berdasarkan pengujian yang telah dilakukan, model SSD MobileNetV2 menunjukkan kemampuan yang cukup baik dalam mendeteksi dan mengklasifikasikan kerusakan jalan. Nilai akurasi yang diperoleh berada pada rentang 71% hingga 78%, dengan akurasi tertinggi sebesar 78% pada epoch pertama. Dengan nilai F1-score berada pada rentang 51% hingga 56%, yang menunjukkan bahwa model mampu memberikan performa yang cukup.

Item Type:	Thesis (Skripsi)
Additional Information:	Septa Ardiansyah (2218073)
Uncontrolled Keywords:	Kerusakan Jalan, SSD MobileNetV2, Deep Learning, Object Detection, Transfer Learning
Subjects:	Engineering > Informatics Engineering
Divisions:	Fakultas Teknologi Industri > Teknik Informatika S1 > Teknik Informatika S1(Skripsi)
Depositing User:	Septa Ardiansyah
Date Deposited:	10 Sep 2026 06:34
Last Modified:	10 Sep 2026 06:34
URI:	http://eprints.itn.ac.id/id/eprint/16616

Actions (login required)

View Item