PENERAPAN CONTRAST LIMITED ADAPTIVE HISTOGRAM EQUALIZATION DALAM MENINGKATKAN KUALITAS CITRA UNTUK MENINGKATKAN AKURASI PADA DETEKSI RETAK PERMUKAAN BETON MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR U-NET

Saputro, Agil Adi (2024) PENERAPAN CONTRAST LIMITED ADAPTIVE HISTOGRAM EQUALIZATION DALAM MENINGKATKAN KUALITAS CITRA UNTUK MENINGKATKAN AKURASI PADA DETEKSI RETAK PERMUKAAN BETON MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR U-NET. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text COVER.pdf Download (152kB)
	Text ABSTRAK.pdf Download (19kB)
	Text DAFTAR ISI.pdf Download (73kB)
	Text DAFTAR PUSTAKA.pdf Download (78kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (302kB)
	Text PENGESAHAN PENGUJI.pdf Download (322kB)
	Text SKRIPSI FULL_AGIL ADI SAPUTRO_123190129.pdf Restricted to Repository staff only Download (3MB)

Abstract

Banyak gedung bertingkat dan jembatan di seluruh dunia menggunakan beton
sebagai struktur utama. Beton memiliki sifat mudah dibentuk, tahan suhu tinggi, dan kuat,
tetapi memiliki daya tarik yang rendah. Namun, beban berlebih dan korosi dapat
menyebabkan kerusakan pada struktur beton. Tanda-tanda kerusakan yang paling umum
pada beton adalah retakan. Untuk itu, deteksi retakan sangat penting untuk memastikan
kondisi bangunan. Pada penelitian terdahulu sudah dikembangkan metode pengolahan citra
untuk deteksi retakan agar penilaian retak tidak bergantung pada pengalaman dan
keterampilan inspektor sehingga menghindari subjektivitas. Namun, karena adanya artefak
atau derau pada gambar retak beton, kemampuan model untuk mendeteksi retak seringkali
terhambat. Oleh karena itu, perlu dilakukannya preprocessing untuk mengatasi masalah
tersebut.
Pada penelitian ini dilakukan deteksi retak permukaan beton menggunakan metode
Convolutional Neural Network (CNN) dengan arsitektur U-Net dengan menerapkan
Contrast Limited Adaptive Histogram Equalization (CLAHE) pada tahap preprocessing
untuk meningkatkan kontras pada citra. Dataset yang digunakan dalam penelitian ini
sebanyak 1.000 citra dengan komposisi 800 citra bersumber dari SDNET2018 dan 200 citra
gabungan untuk meningkatkan kemampuan model dalam membedakan retak dengan artefak
citra seperti coretan, pola beton, bayangan, ataupun objek lain yang menyerupai retak.
Dataset lalu dibagi menjadi training data, validation data, dan test data masing-masing
sebesar 80%, 10%, dan 10%.
Berdasarkan pengujian yang telah dilakukan menggunakan confussion matrix, pada
model U-Net yang tidak menerapkan CLAHE memiliki nilai F1 Score 0.8276 dan IoU
sebesar 0.7059. Sedangkan model U-Net yang menerapkan CLAHE menghasilkan nilai F1
Score 0.8329 dan IoU 0.7137. Sehingga dapat disimpulkan penerapan CLAHE pada tahap
preprocessing untuk model U-Net mampu mengingkatkan performanya dengan nilai clip
limit 2.0, block size (8, 8).
Kata kunci: Deteksi retak beton, CLAHE, CNN U-Net

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Deteksi retak beton, CLAHE, CNN U-Net
Subjects:	T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	03 Apr 2024 06:36
Last Modified:	03 Apr 2024 06:36
URI:	http://eprints.upnyk.ac.id/id/eprint/39246

Actions (login required)

View Item