SARTIKA, SARTIKA (2024) IDENTIFIKASI DAN KLASIFIKASI KONDISI PERMUKAAN JALAN MENGGUNAKAN KAMERA = IDENTIFICATION AND CLASSIFICATION OF ROAD SURFACE CONDITIONS USING CAMERAS. Thesis thesis, Universitas Hasanuddin.
![[thumbnail of Cover]](/45983/1.hassmallThumbnailVersion/D082201003_tesis_04-04-2024%20cover1.png)

D082201003_tesis_04-04-2024 cover1.png
Download (238kB) | Preview
![[thumbnail of Bab 1-2]](/style/images/fileicons/text.png)
D082201003_tesis_04-04-2024 1-2(FILEminimizer).pdf
Download (628kB)
![[thumbnail of Dapus]](/style/images/fileicons/text.png)
D082201003_tesis_04-04-2024 dp(FILEminimizer).pdf
Download (253kB)
![[thumbnail of Full Text]](/style/images/fileicons/text.png)
D082201003_tesis_04-04-2024(FILEminimizer).pdf
Restricted to Repository staff only until 6 May 2027.
Download (1MB)
Abstract (Abstrak)
Kerusakan jalan adalah masalah umum di kota-kota besar, yang disebabkan oleh beberapa faktor seperti lalu lintas yang padat, curah hujan, dan pemeliharaan jalan yang tidak memadai. Mendeteksi kerusakan jalan, seperti lubang, retakan, distorsi, kegemukan, dan pengausan jalan, sangat penting dilakukan untuk memastikan keamanan dan kenyamanan pengguna jalan. Penelitian ini mengusulkan sebuah metode yang menggunakan algoritma Gray Level Co-Occurrence Matrix (GLCM) dan Support Vector Machine (SVM) untuk mendeteksi kerusakan jalan. Metode yang diusulkan melibatkan pemrosesan gambar jalan menggunakan algoritma GLCM untuk mengekstrak fitur tekstur, seperti dissimilarity, correlation, contrast, energy, and Angular Second Moment (ASM). GLCM merupakan pendekatan yang efektif untuk mengekstraksi informasi tekstur dan menghasilkan matriks yang menggambarkan hubungan antara piksel-piksel gambar. Fitur-fitur yang diekstraksi ini kemudian dimasukkan sebagai input ke model SVM. Model SVM dilatih untuk mengklasifikasikan gambar jalan ke dalam beberapa kategori, termasuk lubang, retakan, distorsi, kegemukan, dan pengausan. SVM merupakan metode machine learning yang dapat mengklasifikasikan data ke dalam kategori yang telah ditentukan berdasarkan fitur-fitur yang telah diekstraksi. Hasil pengujian menunjukkan bahwa metode yang diusulkan dapat mendeteksi kerusakan jalan yang ditunjukkan dengan nilai F1 untuk lubang sebesar 0.4, retak sebesar 0.5, kegemukan sebesar 0.8 dengan akurasi rata-rata sistem sebesar 59%. Dengan meningkatkan dataset dan mengurangi jumlah kategori kerusakan yang ada, kemungkinan besar akurasi metode ini dapat ditingkatkan menjadi sekitar 80%. Pendekatan ini dapat menjadi alat untuk memantau kondisi jalan secara terus menerus dan membantu otoritas jalan dalam membuat keputusan mengenai perbaikan jalan yang tepat waktu.
Keyword : Kerusakan Jalan, Pengolahan Citra, Gray Level Co-Occurrence Matrix (GLCM), Support Vektor Machine (SVM).
Item Type: | Thesis (Thesis) |
---|---|
Uncontrolled Keywords: | Road Damage, Image Processing, Gray Level Co-Occurrence Matrix (GLCM), Support Vektor Machine (SVM). |
Subjects: | T Technology > T Technology (General) |
Divisions (Program Studi): | Fakultas Teknik > Teknik Informatika |
Depositing User: | Rasman |
Date Deposited: | 07 Jul 2025 05:54 |
Last Modified: | 07 Jul 2025 05:54 |
URI: | http://repository.unhas.ac.id:443/id/eprint/45983 |