Analisis Perbandingan Kinerja Model ResNet50 Dan EfficientNet-B0 Dalam Klasifikasi Kerusakan Jalan

Abstract

Kerusakan jalan memiliki dampak signifikan terhadap aspek keselamatan, kenyamanan, dan kelancaran transportasi. Namun, identifikasi kerusakan secara manual membutuhkan waktu, tenaga, serta sumber daya yang besar. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis tingkat kerusakan jalan berbasis pengolahan citra digital dengan membandingkan kinerja dua arsitektur Convolutional Neural Network (CNN) pretrained, yaitu ResNet50 dan EfficientNet-B0. Dataset penelitian terdiri atas 1.800 citra permukaan jalan yang terbagi secara seimbang ke dalam tiga kategori, yaitu jalan baik, rusak ringan, dan rusak berat. Seluruh citra melalui tahap praproses berupa normalisasi dan penyesuaian ukuran agar sesuai dengan masukan model. Selanjutnya, metode transfer learning diterapkan pada model pretrained untuk memanfaatkan pengetahuan awal dari dataset berskala besar, sedangkan evaluasi kinerja dilakukan menggunakan K-Fold Cross Validation (K=5) guna meningkatkan reliabilitas serta mengurangi potensi bias. Hasil penelitian menunjukkan bahwa ResNet50 dan EfficientNet-B0 mampu mencapai akurasi hingga 99% dengan nilai Precision dan F1-Score yang tinggi. Temuan ini menegaskan keunggulan model pretrained dalam klasifikasi citra kerusakan jalan, sehingga ResNet50 dan EfficientNet-B0 direkomendasikan untuk pengembangan sistem deteksi kerusakan jalan secara real-time yang efisien serta dapat diintegrasikan ke dalam sistem monitoring infrastruktur berbasis teknologi cerdas.