Deteksi retakan jalan menggunakan kombinasi metode konvolusi dan Gaussian Naive Bayes

INDONESIA:

Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi retakan jalan menggunakan kombinasi metode konvolusi dan klasifikasi Gaussian Naïve Bayes (GNB). Pokok permasalahan yang diangkat adalah identifikasi retakan jalan yang efisien dan akurat guna mendukung pemeliharaan infrastruktur. Penelitian ini menggunakan Road Surface Classification Dataset (RSCD) yang terdiri dari 250 citra jalan beton beresolusi 360x240 piksel, dengan proporsi seimbang antara 125 citra retak dan 125 citra normal. Proses penelitian meliputi akuisisi citra, segmentasi, preprocessing menggunakan filter Sobel untuk mengekstraksi fitur tepi dan erosi untuk menyempurnakan representasi retakan. Fitur-fitur kuantitatif berupa banyak piksel hitam dan panjang tepi retakan kemudian diekstraksi dari hasil preprocessing. Model klasifikasi GNB selanjutnya dilatih dan dievaluasi dalam tiga skenario pembagian data: 70:30, 80:20, dan 90:10. Hasil penelitian menunjukkan bahwa skenario terbaik adalah pembagian data 90:10, yang menghasilkan performa model paling optimal dengan akurasi 88%, presisi 91.67%, recall 84.62%, dan F1-Score 88%.
 
ENGLISH:

This research aims to develop and evaluate an automatic road crack detection system using a combination of convolution methods and Gaussian Naive Bayes (GNB) classification. The core problem addressed is the efficient and accurate identification of road cracks to support infrastructure maintenance. This study utilizes the Road Surface Classification Dataset (RSCD), consisting of 250 concrete road images with a resolution of 360x240 pixels, with a balanced proportion of 125 cracked images and 125 normal images. The research process includes image acquisition, segmentation, preprocessing using the Sobel filter for edge feature extraction and erosion to refine crack representation. Quantitative features, namely the number of black pixels and crack edge length, are then extracted from the preprocessed results. The GNB classification model is subsequently trained and evaluated across three data split scenarios: 70:30, 80:20, and 90:10. The research findings indicate that the 90:10 data split scenario yields the most optimal model performance, achieving an accuracy of 88%, precision of 91.67%, recall of 84.62%, and an F1-Score of 88%.

ARABIC:

يهدف هذا البحث إلى تطوير وتقييم نظام كشف تشققات الطريق باستخدام الجمع بين طريقة الالتفاف وتصنيف غاوس بايز الساذج (GNB). تكمن المشكلة الرئيسية المطروحة في تحديد تشققات الطريق بشكل فعال ودقيق لدعم صيانة البنية التحتية. يستخدم هذا البحث مجموعة بيانات تصنيف سطح الطريق (RSCD) التي تتكون من 250 صورة لطريق خرساني بدقة 360×240 بكسل، بنسبة متوازنة بين 125 صورة متشققة و 125 صورة طبيعية. تشمل عملية البحث الحصول على الصور، والتقسيم، والمعالجة المسبقة باستخدام مرشح "سوبل" (Sobel) لاستخراج ميزات الحافة وعملية "التعرية" (Erosion) لتحسين تمثيل التشققات.يتم استخراج الميزات الكمية المتمثلة في عدد البكسلات السوداء وطول حافة التشقق من نتائج المعالجة المسبقة. بعد ذلك، يتم تدريب نموذج تصنيف GNB وتقييمه في ثلاثة سيناريوهات لتقسيم البيانات: 70:30، و 80:20، و 90:10. أظهرت نتائج البحث أن السيناريو الأفضل هو تقسيم البيانات بنسبة 90:10، مما أدى إلى الأداء الأمثل للنموذج بدقة (Accuracy) تصل إلى 88٪، وإتقان (Precision) بنسبة 91.67٪، واستدعاء (Recall) بنسبة 84.62٪، ودرجة (F1-Score) بنسبة 88٪.