Klasifikasi Kerusakan Jalan Menggunakan Convolutional Neural Network (CNN) Dengan Optimasi Hyperparameter

Road Damage Classification Using Convolutional Neural Network (CNN) With Hyperparameter Optimization

Kerusakan jalan merupakan masalah infrastruktur transportasi yang berdampak signifikan terhadap keselamatan, kenyamanan, dan biaya pemeliharaan. Penelitian ini bertujuan untuk mengembangkan metode klasifikasi kerusakan jalan menggunakan Convolutional Neural Network (CNN) dengan pengoptimalan hyperparameter berbasis Particle Swarm Optimization (PSO). Dataset yang digunakan mencakup empat kategori kerusakan jalan: retakan, lubang, pengelupasan, dan jalan normal, dengan total 1.280 gambar. Pendekatan transfer learning diterapkan pada arsitektur CNN pra-terlatih seperti VGG16, ResNet50, MobileNetV2, dan EfficientNetV2B0 untuk meningkatkan akurasi pada dataset terbatas. Hasil penelitian menunjukkan bahwa model EfficientNetV2B0 dengan ukuran gambar 512x512 mencapai akurasi tertinggi yaitu 97,91%, sedangkan MobileNetV2 menjadi model yang paling efisien namun dengan akurasi yang rendah. Teknik PSO terbukti efektif dalam mengoptimalkan hyperparameter seperti learning rate, batch size, epoch, dan trainable layers, yang meningkatkan stabilitas dan akurasi pelatihan. Kombinasi transfer learning dan PSO memberikan pendekatan yang efisien dan akurat untuk klasifikasi kerusakan jalan.

Road damage is a transportation infrastructure problem that has a significant impact on safety, comfort, and maintenance costs. This study aims to develop a road damage classification method using Convolutional Neural Network (CNN) with hyperparameter optimization based on Particle Swarm Optimization (PSO). The Dataset used included four categories of road damage: cracks, potholes, flaking, and normal roads, totaling 1,280 images. The transfer learning approach is applied to pre-trained CNN architectures such as VGG16, ResNet50, MobileNetV2, and EfficientNetV2B0 to improve accuracy on finite datasets. The results showed that the EfficientNetV2B0 model with image size 512x512 achieved the highest accuracy of 97.91%, while MobileNetV2 became the most efficient model but with lower accuracy. PSO techniques have proven effective in optimizing hyperparameters such as learning rate, batch size, epoch, and trainable layers, which improve training stability and accuracy. The combination of transfer learning and PSO provides an efficient and accurate approach to road damage classification.