KLASIFIKASI JENIS DAN TINGKAT KERUSAKAN JALAN MENGGUNAKAN ARSITEKTUR VGG19

STUDI KASUS DPUPR KOTA SAMARINDA

Abstract

Kerusakan jalan di Kota Samarinda menjadi permasalahan yang memerlukan perhatian serius, terutama dalam proses validasi laporan yang selama ini dilakukan secara manual oleh petugas DPUPR melalui platform Jalan Peduli. Proses penilaian secara manual bersifat subjektif, rentan terhadap bias penilai, dan tidak efisien ketika diterapkan pada skala pelaporan besar. Arsitektur VGG19 dipilih karena susunan filter konvolusi 3×3 yang seragam dan bertumpuk menghasilkan representasi tekstur permukaan aspal yang lebih rinci dibandingkan arsitektur berfilter besar, memiliki alur ekstraksi fitur tunggal tanpa koneksi residual maupun percabangan multi-skala sehingga lebih stabil dan tidak mudah overfitting pada dataset lokal berskala kecil seperti pada ResNet dan Inception, serta mempertahankan detail tekstur halus yang cenderung hilang pada arsitektur ringan berbasis depthwise separable convolution seperti MobileNet, padahal detail tersebut menjadi penentu utama dalam membedakan tingkat keparahan kerusakan. Penelitian ini mengembangkan model klasifikasi otomatis berbasis arsitektur VGG19 dengan pendekatan transfer learning untuk mengidentifikasi jenis dan tingkat keparahan kerusakan jalan dari citra permukaan aspal. Dataset lokal sebanyak 1.731 citra dikumpulkan dari wilayah Kota Samarinda, mencakup sembilan kelas yang merupakan kombinasi tiga jenis kerusakan (lubang, retak, dan permukaan tidak rata) dengan tiga tingkat keparahan (ringan, sedang, dan berat). Data dibagi dengan rasio 70:15:15, dan augmentasi dinamis diterapkan pada data latih hingga target 800 citra per kelas. Model dilatih dalam dua tahap: feature extraction dan fine-tuning pada lapisan block5_conv4. Hasil pengujian menunjukkan bahwa skenario fine-tuning menghasilkan akurasi terbaik sebesar 66,54% dengan macro-average F1-score 0,5970, meningkat 5,57% dibandingkan skenario feature extraction. Waktu inferensi rata-rata 3.479,40 milidetik per citra, jauh lebih cepat dari validasi manual petugas yang membutuhkan 3-5 menit per laporan