p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal SmartComp
Kurniawan Irfan Nauval
Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Identifikasi Kerusakan Jalan dengan Metode Faster R-CNN Studi Kasus di Jalan Pakansari Bogor Jawa Barat Andriyana Fajar; Dadang Iskandar Mulyana; Aziz Septian Amrullah; Kurniawan Irfan Nauval
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 11, No 2 (2022): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v11i2.3509

Abstract

Salah satu mobilitas yang sangat penting jalan Raya.karena baik buruk nya jalan,dapat menjadi salah satu faktor keselamatan bagi pengguna jalan,di jalan Pakansari bogor saat ini ada banyak sedikit ditemukan kerusakan jalan berupa lubang yang tidak terlalu besar,salah satu faktor lamanya proses perbaikan jalan yaitu disebabkan oleh proses pendataan yang kondisi kerusakan jalan yang masih dilakukan secara manual.Dengan perkembangan teknologi saat ini, telah banyak dilakukan penelitian untuk mendeteksi jenis kerusakan jalan secara otomatis dengan menggunakan metode Faster RCNN.pada tahun 2015 dilakukan perubahan pada algoritma pengumpulan region proposal pada Fast R-CNN yang semula selective search menjadi Region Proposal Network (RPN) dan mendapatkan kecepatan deteksi dan akurasi yang lebih baik dari pendahulunya. Metode tersebut Faster R-CNN. Masing-masing kecepatan R-CNN, Fast R-CNN, Faster R-CNN berturut-turut yaitu 50 detik, 2 detik, dan 0,2 detik. Dengan catatan, hardware yang digunakan pada penelitian tersebut menggunakan komputer high-end. Pada pengukuran akurasi, keluarga R-CNN mendapat akurasi rata-rata diatas 70%. Dengan kehandalan yang dimiliki Faster R-CNN, penulis membangun sistem deteksi pengguna jalan. Namun, spesifikasi hardware yang lebih rendah yang dimiliki, penulis mengusulkan menggunakan arsitektur yang lebih ringan, yaitu tingkat akurasi yang dihasilkan menggunakan metode Faster R-CNN yang diperbarui sebesar 96,84%. Sedangkan kecepatan deteksi yang diperoleh sebesar 0,16 citra/detik.