Artikel Ilmiah : H1A017057 a.n. JODY REINHARD ARISANO
| NIM | H1A017057 |
|---|---|
| Namamhs | JODY REINHARD ARISANO |
| Judul Artikel | Klasifikasi Keretakan Beton dengan Metode Convolutional Neural Network (CNN) dan Support Vector Machine (SVM) |
| Abstrak (Bhs. Indonesia) | Saat ini, telah banyak gedung bertingkat serta jembatan di penjuru dunia yang menggunakan beton. Beton merupakan bahan yang mudah dibentuk, tahan temperatur tinggi dan memiliki kekuatan tinggi tetapi kuat tariknya rendah sehingga mudah retak. Penyebab retak pada beton dapat diakibatkan oleh pembebanan dan bisa juga karena penyusutan dari perbedaan temperatur yang tinggi atau karena proses kimia antara semen dan agregat pada waktu pengerjaan. Keretakan beton tentu dapat menimbulkan masalah yang cukup serius dan dapat menimbulkan korban jiwa jika terus diabaikan. Dalam pendeteksian retakan, Convolutional Neural Network (CNN), diterapkan untuk mengekstrak fitur yang dioptimalkan secara otomatis untuk Support Vector Machine (SVM) untuk mengklasifikasikan, yang menunjukkan hasil pengenalan yang lebih baik. Sistem dibangun dengan arsitektur CNN Alexnet, Resnet50, dan Googlenet untuk mendapatkan data ekstraksi fitur dari layer fully connected. Data ekstraksi fitur kemudian dilatih dengan algoritma optimized SVM untuk mendapatkan nilai parameter terbaik pada model SVM tersebut. Keretakan beton diklasifikasikan kedalam 3 kelas yaitu tidak retak, retak kecil dan retak besar. Hasil pelatihan dan pengujian pada sistem dengan ekstraksi fitur dari model CNN arsitektur Alexnet dan optimizes SVM mendapatkan nilai akurasi 95,1% dan 97,94%, lalu ekstraksi fitur dari Resnet50 yaitu sebesar 96% dan 98,87%, dan pada ekstraksi fitur dari Googlenet yaitu sebesar 94,4% dan 94,51%. Dari data tersebut dapat disimpulkan bahwa sistem dengan ekstraksi fitur menggunakan arsitektur CNN Resnet50 dan optimized SVM dapat digunakan dengan baik dan siap untuk diimplementasikan kedalam bentuk tampilan antarmuka GUI (Graphical User Interface). |
| Abtrak (Bhs. Inggris) | Currently, there are many high-rise buildings and bridges around the world that use concrete. Concrete is a material that is easy to shape, withstands high temperatures and has high strength but low tensile strength so it is easy to crack. The cause of cracks in concrete can be caused by loading and can also be due to shrinkage from high temperature differences or due to chemical processes between cement and aggregate at the time of work. Concrete cracks can certainly cause quite serious problems and can cause fatalities if it continues to be ignored. In crack detection, Convolutional Neural Network (CNN), is applied to extract features optimized automatically for Support Vector Machine (SVM) to classify, which shows better recognition results. The system is built with the CNN Alexnet, Resnet50, and Googlenet architectures to get feature extraction data from the fully connected layer. The feature extraction data is then trained with the optimized SVM algorithm to get the best parameter values in the SVM model. Concrete cracks are classified into 3 classes, namely no cracks, small cracks and large cracks. The results of training and testing on a system with feature extraction from the CNN model of the Alexnet architecture and optimizes SVM get accuracy values of 95.1% and 97.94%, then feature extraction from Resnet50 is 96% and 98.87%, and feature extraction from Resnet50 Googlenet is 94.4% and 94.51%, respectively. From these data, it can be concluded that a system with feature extraction using CNN Resnet50 architecture and optimized SVM can be used properly and is ready to be implemented in the form of a GUI (Graphical User Interface) interface. |
| Kata kunci | retak , Convolutional Neural Network (CNN), Support Vector Machine (SVM), fitur, Alexnet, Resnet50, Googlenet |
| Pembimbing 1 | Farida Asriani, S.Si, M.T. |
| Pembimbing 2 | Hesti Susilawati, S.T., M.T. |
| Pembimbing 3 | |
| Tahun | 2022 |
| Jumlah Halaman | 19 |
| Tgl. Entri | 2022-02-17 10:54:18.92117 |