Klasifikasi Retakan Jalan Menggunakan SVM, kNN, dan Random Forest Berbasis Deep Features

Abstrak

Deteksi retakan jalan secara otomatis menjadi aspek penting dalam upaya pemeliharaan infrastruktur yang efisien dan berkelanjutan. Penelitian ini mengusulkan metode klasifikasi retakan jalan dengan menggabungkan fitur mendalam dari model Convolutional Neural Network (CNN), yaitu VGG-16, VGG-19, dan Inception v3, dengan tiga algoritma klasifikasi yaitu Support Vector Machine (SVM), k-Nearest Neighbors (kNN), dan Random Forest. Ekstraksi fitur dilakukan menggunakan model pra-latih, yang kemudian diolah dalam proses klasifikasi untuk membedakan jenis kondisi jalan seperti retakan, lubang, dan permukaan bersih. Evaluasi dilakukan berdasarkan metrik akurasi, presisi, Recall, dan F1-score. Hasil menunjukkan bahwa SVM memberikan performa terbaik, diikuti oleh kNN dan Random Forest. Pendekatan ini menunjukkan bahwa kombinasi deep features dan algoritma machine learning klasik mampu meningkatkan akurasi klasifikasi secara signifikan. Temuan ini memberikan kontribusi terhadap pengembangan sistem pemantauan jalan otomatis yang akurat, efisien, dan dapat diterapkan dalam skala besar.

Identifier

• DOI: https://doi.org/10.32409/jikstik.24.4.3855
• OpenAlex: https://openalex.org/W7119535680