PERBANDINGAN KLASIFIKASI KERUSAKAN JALAN MODEL CNN VGG19 DAN RESNET50

Revanza Raditya Putra Yanni; Iffatul Mardhiyah; Dyah Cita Irawati; Rifki Kosasih; Dyan Prawita Sari

doi:10.35760/ik.2025.v30i1.14230

PERBANDINGAN KLASIFIKASI KERUSAKAN JALAN MODEL CNN VGG19 DAN RESNET50

Revanza Raditya Putra Yanni
Universitas Gunadarma
Indonesia

Iffatul Mardhiyah
Universitas Gunadarma
Indonesia

Dyah Cita Irawati
Universitas Gunadarma
Indonesia

Rifki Kosasih
https://www.scopus.com/authid/detail.uri?authorId=56422259300
Universitas Gunadarma
Indonesia

Dyan Prawita Sari
Universitas Gunadarma
Indonesia

DOI: http://dx.doi.org/10.35760/ik.2025.v30i1.14230

Article Submitted: 16 April 2025

Article Published: 17 May 2025

Abstract

Masalah kerusakan jalan pada jalan utama adalah salah satu gangguan saat berkendara dan dapat menyebabkan kecelakaan. Identifikasi kerusakan jalan masih dilakukan secara manual oleh pemerintah daerah dengan penyisiran jalan. Penggunaan teknologi kecerdasan buatan untuk identifikasi kerusakan jalan, sangat diperlukan. Algoritma CNN dapat melakukan identifikasi dan klasifikasi kerusakan jalan. Beberapa arsitektur pada CNN yang sering digunakan untuk klasifikasi diantaranya VGG19 dan ResNet50. Penelitian ini bertujuan untuk mengetahui perbandingan klasifikasi antara VGG19 dan ResNet50 pada kerusakan jalan. Perbandingan dilakukan dengan membedakan jumlah epochnya untuk setiap arsitektur. Jumlah dataset yang digunakan sebanyak 1656 citra. Model yang dibentuk bertujuan mengklasifikasikan kerusakan jalan menjadi tiga klasifikasi yaitu, kerusakan_besar, kerusakan_sedang, dan kerusakan_kecil. Jumlah epoch yang digunakan pada model adalah sebesar 10, 50, dan 100. Hasil dari penelitian arsitektur VGG19 dengan epoch 10 mendapatkan akurasi sebesar 79%, epoch 50 sebesar 73%, dan epoch 100 sebesar 76%. Arsitektur ResNet50 memperoleh hasil akurasi sebesar 75% dengan epoch 10, untuk epoch 50 sebesar 78%, dan epoch 100 sebesar 79%. Kesimpulan penelitian perbandingan klasifikasi kerusakan jalan, VGG19 dapat mengklasifikasikan lebih baik jika proses pelatihan yang lebih sederhana, sedangkan ResNet50 dapat melakukan klasifikasi lebih baik jika proses pelatihan yang lebih kompleks.

Keywords

CNN; Klasifikasi; Kerusakan Jalan; ResNet50; VGG19

References

Richard W. V. Uguy and Vanda . Rompis, “Penentuan Jenis Pemeliharaan Jalan dengan Menggunakan Metode Bina Marga (Studi Kasus: Ruas Jalan Kelurahan Tondangow Kecamatan Tomohon Selatan),” J. Ilm. Realt., vol. 17, no. 2, pp. 34–38, 2021, [Online]. Available: http://ejournal.unikadelasalle.ac.id/index.php/realtech/article/view/72%0Ahttp://ejournal.unikadelasalle.ac.id/index.php/realtech/article/download/72/76.

D. I. Mulyana and I. Wahyudi, “Deteksi Kerusakan Jalan Berdasarkan Citra Digital Menggunakan Convolutional Neural Network ( CNN ),” vol. 6, no. 1, pp. 294–302, 2025.

A. Wibowo and Y. Yulianto, “Deteksi Keretakan Jalan Aspal Menggunakan Metode Convolutional Neural Network,” J. Tek. Sipil Cendekia, vol. 4, no. 2, pp. 581–593, 2023, doi: 10.51988/jtsc.v4i2.132.

U. Shodiq et al., “Klasifikasi Jalan Rusak Menggunakan Transfer Learning Arsitektur VGG16,” JOISIE (Journal Inf. Syst. Informatics Eng., vol. 8, no. 1, 2024.

A. Raup, W. Ridwan, Y. Khoeriyah, S. Supiana, and Q. Y. Zaqiah, “Deep Learning dan Penerapannya dalam Pembelajaran,” JIIP - J. Ilm. Ilmu Pendidik., vol. 5, no. 9, pp. 3258–3267, 2022, doi: 10.54371/jiip.v5i9.805.

N. Khairunisa, . C., and A. Jamaludin, “Analisis Perbandingan Algoritma Cnn Dan Yolo Dalam Mengidentifikasi Kerusakan Jalan,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4434.

P. Asnur, R. Kosasih, S. Madenda, and D. A. Rahayu, “Identification of mangrove tree species using deep learning method,” Int. J. Adv. Appl. Sci., vol. 12, no. 2, pp. 163–170, 2023, doi: 10.11591/ijaas.v12.i2.pp163-170.

D. P. Lestari and R. Kosasih, “Comparison of two deep learning methods for detecting fire hotspots,” Int. J. Electr. Comput. Eng., vol. 12, no. 3, pp. 3118–3128, 2022, doi: 10.11591/ijece.v12i3.pp3118-3128.

L. A. Susanto, A. Nilogiri, and L. Handayani, “Klasifikasi Citra Lesi Kulit Serupa Virus Monkeypox Menggunakan VGG-19 Convolutional Neural Network,” JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol. 8, no. 1, pp. 1–9, 2023, doi: 10.32528/justindo.v8i1.168.

Habibullah Akbar, Diah Aryani, and Muhamad Bahrul Ulum, “Deteksi Banjir Area Perkotaan Berbasis Citra Digital Convolutional Neural Network (Vgg19),” J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 2, no. 3, pp. 82–91, 2022, doi: 10.55606/teknik.v2i3.798.

N. D. Miranda, L. Novamizanti, and S. Rizal, “Convolutional Neural Network Pada Klasifikasi Sidik Jari Menggunakan Resnet-50,” J. Tek. Inform., vol. 1, no. 2, pp. 61–68, 2020, doi: 10.20884/1.jutif.2020.1.2.18.

T. Sulistyorini, E. Sova, N. Sofie, and R. I. Napitupulu, “Penerapan Hyperparameter Convolutional Neural Network (Cnn) Dalam Membangun Model Segmentasi Gambar Menggunakan Arsitektur U-Net Dengan Tensorflow,” J. Ilm. Inform. Komput., vol. 28, no. 2, pp. 112–121, 2023, doi: 10.35760/ik.2023.v28i2.6959.

B. Sasmito, B. H. Setiadji, and R. Isnanto, “Deteksi Kerusakan Jalan Menggunakan Pengolahan Citra Deep Learning di Kota Semarang,” Teknik, vol. 44, no. 1, pp. 7–14, 2023, doi: 10.14710/teknik.v44i1.51908.

A. W. Mulia, I. Ruslianto, and D. M. Midyanti, “Klasifikasi Kerusakan Jalan Pada Citra Jalan Raya Pontianak dan Sekitarnya dengan Menggunakan Convolutional Neural Network,” Coding J. Komput. dan Apl., vol. 11, no. 01, pp. 11–20, 2023.

Y. N. Yenusi, Suryasatriya Trihandaru, and A. Setiawan, “Comparison of Convolutional Neural Network (CNN) Models in Face Classification of Papuan and Other Ethnicities,” JST (Jurnal Sains dan Teknol., vol. 12, no. 1, pp. 261–268, 2023, doi: 10.23887/jstundiksha.v12i1.46861.

B. U. Manalu, “Modul : Pengantar Python dengan Google Colab,” 2020. [Online]. Available: https://figshare.com/articles/book/Modul_Pengantar_Python_dengan_Google_Colab/12683627?file=24018779.

H. Usman, Statistik transportasi kabupaten gowa 2015. Gowa: Badan Pusat Statistik Kabupaten Gowa, 2015.

R. Kosasih, Sudaryanto, and A. Fahrurozi, “Classification of Six Banana Ripeness Levels Based on Statistical Features on Machine Learning Approach,” Int. J. Adv. Appl. Sci., vol. 12, no. 4, pp. 317–326, 2023, doi: 10.11591/ijaas.v12.i4.pp317-326.

D. P. Lestari, R. Kosasih, T. Handhika, Murni, I. Sari, and A. Fahrurozi, “Fire Hotspots Detection System on CCTV Videos Using You only Look Once (YOLO) Method and Tiny YOLO Model for High Buildings Evacuation,” in 2nd International Conference of Computer and Informatics Engineering IC2IE, 2019, pp. 87–92.

W. I. Rahayu, C. Prianto, and E. A. Novia, “Perbandingan Algoritma K-Means dan Naive Bayes untuk Memprediksi Prioritas Pembayaran Tagihan Rumah Sakit Berdasarkan Tingkat Kepentingan pada PT. Pertamina (Persero),” J. Tek. Inform., vol. 13, no. 2, pp. 1–8, 2021.