DETEKSI RETAK PADA STRUKTUR TANGGUL MENGGUNAKAN PENDEKATAN DEEP LEARNING BERBASIS OBJECT DETECTION DAN SEGMENTATION

• Darusman
• 14230029

---

ABSTRAK

Nama : Darusman

NIM : 14230029

Program Studi : Ilmu Komputer

Fakultas : Teknologi Informasi

Jenjang : Strata Dua (S2)

Peminatan : Software Engineering & Data Science

Judul Tesis : Deteksi Retak Pada Struktur Tanggul Menggunakan Pendekatan Deep Learning Berbasis Object Detection Dan Segmentation

 

Inspeksi visual tanggul secara manual memiliki kendala subjektivitas dan risiko kesalahan deteksi pada area luas. Penelitian ini mengembangkan sistem deteksi otomatis yang mengintegrasikan R-CNN dan FCN, serta menerapkan strategi augmentasi dan patching untuk mengatasi keterbatasan data. Pendekatan ini terbukti efektif mencegah overfitting dan meningkatkan generalisasi model secara signifikan. Hasil pengujian model R-CNN mampu mengungguli metode konvensional sebagai penapis awal dengan akurasi 90%, sementara FCN efektif dalam mengestimasi morfologi dan luas area kerusakan 87%. Sinergi kedua model ini menghasilkan solusi inspeksi infrastruktur yang komprehensif, akurat, dan objektif dalam memetakan lokasi serta tingkat keparahan kerusakan. Kata kunci : Deteksi Retak, Deep Learning, RCNN, FCN

 

 

KATA KUNCI

Deep Learning,Object Detection dan Segmentation

---

DAFTAR PUSTAKA

[1] A. Muhari, “Enam Tanggul Jebol, 11 Kecamatan di Kabupaten Demak Terendam Banjir,” Badan Nasional Penanggulangan Bencana. [Online]. Available: https://bnpb.go.id/berita/enam-tanggul-jebol-11-kecamatan-dikabupaten-demak-terendam-banjir

[2] R. N. Taufiq Syarifudin, “Cerita Tanggul Jebol Bikin Banjir Bak Air Bah Terjang Mal Mega Bekasi,” detiknews.com, 2025, [Online]. Available: https://news.detik.com/berita/d-7809132/cerita-tanggul-jebol-bikin-banjir-bakair-bah-terjang-mal-mega-bekasi

[3] Ir. Ence Selamat Elsupandi and Dr.-Ing. Dina Rubiana Widarda, “Deteksi Kerusakan Pada Struktur Jembatan Integral Beton Bertulang Dengan Menggunakan Mode Shape Data Base Indicator (MSDBI),” J. Tek. Sipil, vol. 17, no. 4, pp. 233–243, 2024, doi: 10.24002/jts.v17i4.8621.

[4] F. A. Riyadi, S. Linggasari, and H. Suharyadi, “Penentuan Tinggi Tanggul Penahan Banjir Berdasarkan Model Sejarah Tinggi Air Sungai dan Data Curah Hujan,” J. Teknol. Pertamb., vol. 8, no. 2, pp. 44–48, 2023, doi: 10.31315/jtp.v8i2.9155.

[5] F. Marleny, Muhammad Fitriansyah, Sa’adah, Winda Astria Nuansa Saputri, Rudy Ansari, and Mambang, “Segmentasi Citra Keretakan Dinding Beton Menggunakan Teknik Perbandingan Evaluasi Metrik,” Tematik, vol. 10, no. 1, pp. 28–33, 2023, doi: 10.38204/tematik.v10i1.1261.

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

[7] D. Chen, Z. Zhu, J. Fu, and J. He, “Automatic Road Tunnel Crack Inspection Based on Crack Area Sensing and Multiscale Semantic Segmentation,” Comput. Mater. Contin., vol. 79, no. 1, pp. 1679–1703, 2024, doi: 10.32604/cmc.2024.049048.

[8] A. Rizzoli, “The Ultimate Guide to Object Detection,” https://www-v7labscom. [Online]. Available: https://www-v7labs-com.translate.goog/blog/objectdetection-guide?_x_tr_sl=en&_x_tr_tl=id&_x_tr_hl=id&_x_tr_pto=imgs

[9] S. Cano-Ortiz, E. Sainz-Ortiz, L. Lloret Iglesias, P. Martínez Ruiz del Árbol, 101 Program Studi Ilmu Komputer (S2) FTI Universitas Nusa Mandiri and D. Castro-Fresno, “Enhancing pavement crack segmentation via semantic diffusion synthesis model for strategic road assessment,” Results Eng., vol. 23, no. June, 2024, doi: 10.1016/j.rineng.2024.102745.

[10] D. Mwiti, “Image Segmentation: Architectures, Losses, Datasets, and Frameworks,” https://neptune-ai.translate.goog/. [Online]. Available: https://neptune-ai.translate.goog/blog/imagesegmentation?_x_tr_sl=en&_x_tr_tl=id&_x_tr_hl=id&_x_tr_pto=imgs [11] Y. Yulianto and A. Wibowo, “Deteksi Keretakan Jalan Aspal Menggunakan Metode Convolutional Neural Network,” vol. 4, no. 2, pp. 581–594, 2023.

[12] M. Zheng, Z. Lei, and K. Zhang, “Intelligent detection of building cracks based on deep learning,” Image Vis. Comput., vol. 103, 2020, doi: 10.1016/j.imavis.2020.103987.

[13] S. Annotate, “Convolutional Neural Networks: 1998-2023 Overview,” https://www-superannotate-com. [Online]. Available: https://wwwsuperannotate-com.translate.goog/blog/guide-to-convolutional-neuralnetworks?_x_tr_sl=en&_x_tr_tl=id&_x_tr_hl=id&_x_tr_pto=imgs

[14] Vivek Amilkanthawar, “Choosing a Deep Learning Framework,” https://medium.com/. [Online]. Available: https://medium.com/in-pursuit-ofartificial-intelligence/choosing-a-deep-learning-framework-5669a85ebc3f

[15] Posted by the TensorFlow Team, “What’s coming in TensorFlow 2.0,” https://blog.tensorflow.org/. [Online]. Available: https://blog.tensorflow.org/2019/01/whats-coming-in-tensorflow-2-0.html

[16] NVIDIA, “PyTorch,” https://www.nvidia.com. [Online]. Available: https://www.nvidia.com/en-us/glossary/pytorch/

[17] M. Muchtar et al., “Penerapan analisis berbasis fraktal dalam klasifikasi citra retakan pada permukaan jembatan beton,” vol. 9, no. 1, pp. 21–29, 2024.

[18] F. Asriani, G. Pamudji, H. Susilawati, and F. T. Anggoro, “Aplikasi Convolutional Neural Networks (CNN) Untuk Klasifikasi Retakan Beton,” Din. Rekayasa, vol. 19, no. 1, 2023, doi: 10.20884/1.dr.2023.19.1.1468.

[19] Ricky Putra Sardika and W. Widhiarso, “Klasifikasi Otomatis Tingkat Kerusakan Retak Bangunan pada Citra Digital Menggunakan MobileNetV2 dan Augmentasi Data,” Arcitech J. Comput. Sci. Artif. Intell., vol. 5, no. 1, pp. 108– 124, 2025, doi: 10.29240/arcitech.v5i1.13938. 102 Program Studi Ilmu Komputer (S2) FTI Universitas Nusa Mandiri

[20] P. A. Rosyady, F. F. Rahani, and A. R. C. Baswara, “Amarto (Damaged Road Detector): Purwarupa Sistem Deteksi Dan Analisator Kerusakan Jalan Raya Kota Yogyakarta Berbasis Citra Digital Dan GPS,” J. Jarlit, vol. 17, no. 1, 2022, doi: 10.70154/jid.v17i1.10.

[21] A. A. Ananta, N. Umar, Indriyanti, and M. Agusalim, “Analisis Perencanaan Tanggul Pengaman Banjir Sungai Tallo Kelurahan Tello Baru Kecamatan Panakukang,” Arus J. Sains dan Teknol., vol. 2, no. 1, pp. 35–42, 2024, doi: 10.57250/ajst.v2i1.335.

[22] N. W. Sanwa, A. P. Hendrawan, and R. Asmaranto, “Aplikasi Stability Chart untuk Idealisasi Desain Tanggul Kali Lamong di Kabupaten Gresik, Provinsi Jawa Timur,” J. Teknol. dan Rekayasa Sumber Daya Air, vol. 2, no. 1, 2022, doi: 10.21776/ub.jtresda.2022.002.01.43.

[23] P. N. Hadinata, D. Simanta, and L. Eddy, “Deep Convolutional Neural Network untuk Mendeteksi Retak pada Permukaan Beton yang Memiliki Void,” J. Sustain. Constr., vol. 1, no. 1, pp. 45–55, 2021, doi: 10.26593/josc.v1i1.5151.

[24] D. Amelia, T. Asisah, I. Santya, T. Kusmita, and Y. Widyaningrum, “Identifikasi Ketidakstabilan Tanggul Waduk Desa Kemuja Kabupaten Bangka Menggunakan Metode Self-Potential (SP),” J. Online Phys., vol. 9, no. 2, pp. 23–29, 2024, doi: 10.22437/jop.v9i2.8266.

[25] A. R. Burhanudin and B. A. Bakar, “Kajian Dan Analisa Terhadap Kerusakan Bangunan Tanggul Waduk Aki

[27] A. Wibowo and E. Setiyadi, “Klasifikasi Dan Deteksi Keretakan Pada Trotoar Menggunakan Metode Convolutional Neural Network,” J. Tek. Sipil Cendekia, vol. 4, no. 1, 2023, doi: 10.51988/jtsc.v4i1.116. [28] ?. Akgül, “Mobile-DenseNet: Detection of building concrete surface cracks using a new fusion technique based on deep learning,” Heliyon, vol. 9, no. 10, 2023, doi: 10.1016/j.heliyon.2023.e21097. [29] M. A. R. Yuslena Sari, Mangkurat Andreyan Rizky Baskara, Puguh Budi 103 Program Studi Ilmu Komputer (S2) FTI Universitas Nusa Mandiri Prakoso, “Penerapan Active Contour Model Pada Pengolahan Citra Untuk Deteksi Kerusakan Jalan,” Jalan dan Jemb., vol. 38, no. 2, pp. 134–142, 2021.

[30] Fatma Nurkhaerani, Cahya Suryadi, and Amalia Rizka Sugiarto, “Pengaruh Bendungan Leuwikeris dan Tanggul dalam Mereduksi Banjir di Kota Banjar,” J. Tek. Sipil dan Lingkung., vol. 8, no. 03, 2023, doi: 10.29244/jsil.8.03.223- 232