Implementasi ResNet-50 untuk Identifikasi Jenis Kerusakan Pada Permukaan Jalan Raya
DOI:
https://doi.org/10.29407/9vj1hf60Keywords:
CNN, Computer Vision, Kerusakan Jalan, ResNet-50, Pengolahan CitraAbstract
Kerusakan jalan seperti lubang dan retakan berdampak pada penurunan kenyamanan dan keselamatan, sementara inspeksi visual manual masih memerlukan waktu, biaya besar, dan berpotensi menghasilkan penilaian yang rentan mengalami kesalahan. Penelitian ini bertujuan mengklasifikasikan jenis kerusakan jalan menggunakan arsitektur ResNet-50 berbasis citra. Dataset didapat dari dokumentasi, RDD2022, Roboflow dan Mendelet Data yang terbagi dalam empat kelas, yaitu lubang, retak melintang, retak memanjang, dan retak buaya. Data kemudian melalui tahapan pra-pemrosesan dan augmentasi diantaranya flip horizontal, shear, grayscale, dan penyesuaian brightness. Dataset dibagi menjadi 80% data pelatihan dan 20% data pengujian. Model ResNet-50 dilatih selama beberapa epoch menggunakan data hasil augmentasi, sedangkan kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, dan f1-score. Hasil pengujian menunjukkan bahwa model memperoleh akurasi keseluruhan sebesar 92,04% dengan nilai precision, recall, dan f1-score tiap kelas berada pada kisaran 0,92–0,93. Hasil ini menunjukkan bahwa ResNet-50 mampu melakukan klasifikasi kerusakan jalan secara cukup akurat dan seimbang antar kelas. Dengan demikian, pendekatan ini berpotensi mendukung proses evaluasi kondisi jalan secara lebih objektif dan membantu pengambilan keputusan dalam perencanaan pemeliharaan jalan.
Downloads
References
[1] A. Syafiq, M. Zuhri, N. Nafiiyah, and A. Setia Budi, “IDENTIFICATION OF ROAD DAMAGE USING THE CONVOLUTIONAL NEURAL NETWORK (CNN) METHOD,” J. Ilm. Sist. Inf., vol. 4, no. 3, pp. 802–817, Nov. 2025, doi: 10.51903/JGN2SD35.
[2] M. Jannah and E. Kurniati, “ANALISIS PERAN PEMERINTAH DAERAH TERHADAP PEMBANGUNAN INFRASTRUKTUR SEBAGAI UPAYA MENDORONG PERTUMBUHAN EKONOMI DI PROVINSI LAMPUNG,” J. Ilmu Ekon., vol. 4, no. 1, pp. 231–251, Apr. 2025, doi: 10.59827/JIE.V4I1.220.
[3] R. A. Gumelar, A. Susetyaningsih, and M. B. Zaman, “Pengaruh Kerusakan Jalan Terhadap Kenyamanan Pengguna Jalan di Jalan Raya,” J. Konstr., vol. 21, no. 2, pp. 265–274, Oct. 2023, doi: 10.33364/KONSTRUKSI/V.21-2.1416.
[4] P. D. dan T. I. K. P. Umum, “Kondisi Permukaan Jalan Nasional Tahun 2024 - Kondisi Permukaan Jalan Nasional | Open Data PU.” Accessed: Nov. 10, 2025. [Online]. Available: https://data.pu.go.id/dataset/kondisi-permukaan-jalan-nasional/resource/bac96332-e8d7-41d0-8d2c-55474bb06b68#%7Bview-graph:%7BgraphOptions:%7Bhooks:%7BprocessOffset:%7B%7D,bindEvents:%7B%7D%7D%7D%7D,graphOptions:%7Bhooks:%7BprocessOffset:%7B%7D,bindEvents
[5] H. Saparudin, M. A. Ramdi, and F. S. Alfarizi, “Implementasi Convolutional Neural Network dan ResNet-18 untuk Klasifikasi Kerusakan Jalan Berbasis Citra,” 2025. [Online]. Available: https://journal.aptika.org/index.php/japtika
[6] F. T. Anggraeny, B. Rahmat, and S. P. Pratama, “Deteksi Ikan Dengan Menggunakan Algoritma Histogram of Oriented Gradients,” Inform. Mulawarman J. Ilm. Ilmu Komput., vol. 15, no. 2, p. 114, Sep. 2020, doi: 10.30872/JIM.V15I2.4648.
[7] T. A. Dompeipen, S. R. U. A. Sompie, and M. E. . Najoan, “Computer Vision Implementation for Detection and Counting the Number of Humans,” J. Tek. Inform., vol. 16, no. 1, pp. 65–76, Mar. 2021, doi: 10.35793/JTI.V16I1.31471.
[8] M. A. Ghofur and A. B. Ulum, “Analisis Perbandingan Kinerja Model ResNet50 Dan EfficientNet-B0 Dalam Klasifikasi Kerusakan Jalan,” J. Media Inform., vol. 6, no. 5, pp. 2504–2511, Sep. 2025, doi: 10.55338/JUMIN.V6I5.6843.
[9] T. Berliani, E. Rahardja, and L. Septiana, “Perbandingan Kemampuan Klasifikasi Citra X-ray Paru-paru menggunakan Transfer Learning ResNet-50 dan VGG-16,” J. Med. Heal., vol. 5, no. 2, pp. 123–135, Aug. 2023, doi: 10.28932/JMH.V5I2.6116.
[10] R. Indah Juwita Harahap, S. Khairani, and corespondent author, “Implementasi Metode K-Nearest Neighbor Untuk Klasifikasi Penyakit Tanaman Mentimun Pada Citra Daun,” J. Ilmu Komput. dan Sist. Inf., vol. 3, no. 2, pp. 135–145, May 2024, doi: 10.70340/JIRSI.V3I2.123.
[11] S. Samidin and A. Fadjeri, “Klasifikasi Gambar Batu-Kertas-Gunting Menggunakan Convolutional Neural Network dengan Fungsi Callback untuk Mencegah Overfitting,” J. Penelit. Inov., vol. 4, no. 2, pp. 785–794, Jun. 2024, doi: 10.54082/JUPIN.413.
[12] D. Husen, “EVALUASI TEKNIK AUGMENTASI DATA UNTUK KLASIFIKASI TUMOR OTAK MENGGUNAKAN CNN PADA CITRA MRI,” Tek. Teknol. Inf. dan Multimed., vol. 5, no. 2, pp. 219-227–219 – 227, Dec. 2024, doi: 10.46764/TEKNIMEDIA.V5I2.220.
[13] L. Zhang, Y. Bian, P. Jiang, and F. Zhang, “A Transfer Residual Neural Network Based on ResNet-50 for Detection of Steel Surface Defects,” Appl. Sci. 2023, Vol. 13, Page 5260, vol. 13, no. 9, p. 5260, Apr. 2023, doi: 10.3390/APP13095260.
[14] F. Wu and H. Lin, “Effect of transfer learning on the performance of VGGNet-16 and ResNet-50 for the classification of organic and residual waste,” Front. Environ. Sci., vol. 10, p. 1043843, Oct. 2022, doi: 10.3389/FENVS.2022.1043843/BIBTEX.
[15] F. I. Rahman, L. Lukman, and H. Hildayati, “Sistem Klasifikasi Kerusakan Jalan Metode Machine Learning dengan Algoritma K-Means dan Random Forest,” Arus J. Sains dan Teknol., vol. 3, no. 1, pp. 116–126, Jun. 2025, doi: 10.57250/AJST.V3I1.1212.
[16] I. Fatahna, P. D. K. Sari, A. N. Kamilah, R. Wulanningrum, and W. C. Utomo, “Implementasi Computer Vision Terhadap Jenis Kualitas Pisang Susu Menggunakan Metode YOLOv8n Berbasis WebApps,” Semin. Nas. Teknol. Sains, vol. 4, no. 1, pp. 1–10, Jan. 2025, doi: 10.29407/9EZQF773.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Ilham Khefi Ramadhanu, Wahyu Cahyo Utomo, Resty Wulanningrum
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
