Implementasi Arsitektur VGG-Unet Dalam Melakukan Segmentasi Keretakan pada Citra Bangunan

Abstract

Retak adalah manifestasi permukaan yang disebabkan oleh gaya atau kombinasi gaya yang bekerja melebihi kapasitas yang dapat ditampung oleh suatu bangunan atau komponen materialnya. Proses pendeteksian retakan pada bangunan biasanya dilakukan secara manual, namun pendeteksian secara manual memiliki banyak kekurangan seperti keamanan, waktu dan sebagainya. Dalam studi ini, penulis menggunakan Convolutional Neural Network (CNN) arsitektur VGG-UNet dan Optimizer Adam, RMSprop, dan SGD untuk mendeteksi retakan pada citra bangunan. Kumpulan data yang digunakan dalam penelitian pendeteksian retakan ini adalah kumpulan data segmentasi retakan yang terdiri dari 11.298 citra masing-masing citra asli dan citra ground truth. Dataset dibagi menjadi 9.603 data latih dan 1.695 data uji. Optimizer Adam memiliki skor tertinggi untuk arsitektur VGG-UNet dengan skor Mean Intersection over Union (MIoU) sebesar 70,35%. Di sisi lain, optimizer SGD mencapai skor terendah dengan nilai MIoU 61,24%.