DETEKSI KERUSAKAN JALAN BERBASIS YOLO DENGAN VERIFIKASI VISION TRANSFORMER (VIT) MENGGUNAKAN DATA SINTETIS STYLEGAN3-ADA

Ahmad Hanif Habib Annafi, . (2026) DETEKSI KERUSAKAN JALAN BERBASIS YOLO DENGAN VERIFIKASI VISION TRANSFORMER (VIT) MENGGUNAKAN DATA SINTETIS STYLEGAN3-ADA. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123210147_ Ahmad Hanif Habib Annafi.pdf Download (537kB)
	Text Abstrak_123210147_ Ahmad Hanif Habib Annafi.pdf Download (804kB)
	Text Halaman Pengesahan_123210147_ Ahmad Hanif Habib Annafi.pdf Download (1MB)
	Text Daftar Isi_123210147_ Ahmad Hanif Habib Annafi.pdf Download (693kB)
	Text Daftar Pustaka_123210147_ Ahmad Hanif Habib Annafi.pdf Download (2MB)
	Text Fulltext_123210147_ Ahmad Hanif Habib Annafi.pdf Restricted to Repository staff only Download (5MB)

Abstract

Kerusakan jalan berlapis aspal masih menjadi persoalan utama dalam pengelolaan infrastruktur transportasi di Indonesia, dengan panjang jaringan jalan nasional mencapai 47.604,36 km. Pemantauan kondisi jalan masih banyak dilakukan melalui survei visual manual, sehingga membutuhkan waktu dan tenaga besar. Seiring perkembangan deep learning, metode deteksi otomatis berbasis citra mulai diterapkan. Namun, detektor berbasis Convolutional Neural Network (CNN) seperti YOLO mengalami penurunan kinerja pada kondisi visual yang bervariasi dan ketika data pelatihan terbatas. Oleh karena itu, penelitian ini merancang sistem deteksi kerusakan jalan melalui integrasi YOLOv8m dengan Vision Transformer (ViT) sebagai mekanisme verifikasi, serta pemanfaatan data sintetis berbasis StyleGAN3-ADA untuk meningkatkan variasi data pelatihan.
Dataset penelitian terdiri atas 1.758 citra kerusakan jalan dari data primer dan sekunder, serta 1.831 citra sintetis hasil augmentasi menggunakan StyleGAN3-ADA, sehingga total berjumlah 3.589 citra. Dataset dibagi menjadi 3.202 citra pelatihan, 259 citra validasi, dan 128 citra pengujian, dengan data validasi dan pengujian berasal dari dataset Indonesia. Kualitas citra sintetis dievaluasi menggunakan metrik Fréchet Inception Distance (FID), dengan nilai terbaik sebesar 42,5395 pada kelas Pothole dan 42,3484 pada kelas Patch.
Deteksi objek dilakukan menggunakan YOLOv8m, sedangkan hasil deteksi diverifikasi menggunakan ViT melalui klasifikasi ulang pada region of interest (ROI). Keputusan akhir diperoleh melalui metode weighted score fusion dan diimplementasikan dalam aplikasi berbasis Streamlit.
Hasil penelitian menunjukkan bahwa penggunaan dataset campuran (real + sintetis) meningkatkan performa YOLOv8m dengan mAP@0.5 dari 0,613 menjadi 0,781 (kenaikan 27,41%). Selain itu, akurasi ViT meningkat dari 0,9060 menjadi 0,9829 (kenaikan 8,49%). Pada pengujian akhir metode fusion, konfigurasi terbaik dengan weight data asli menghasilkan mAP@0.5 sebesar 0,4304, sedangkan weight data campuran menghasilkan mAP@0.5 sebesar 0,6022, sehingga terjadi peningkatan sebesar 39,92%. Dengan demikian, integrasi YOLOv8m–ViT serta augmentasi data sintetis StyleGAN3-ADA efektif meningkatkan kinerja deteksi kerusakan jalan pada kondisi dataset terbatas.

Kata Kunci: Deteksi kerusakan jalan, YOLOv8m, Vision Transformer, fusion, StyleGAN3-ADA, data sintetis, weighted score fusion

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Ahmad Hanif Habib Annafi (Penulis - 123210147) Bambang Yuwono (Pembimbing)
Uncontrolled Keywords:	Deteksi kerusakan jalan, YOLOv8m, Vision Transformer, fusion, StyleGAN3-ADA, data sintetis, weighted score fusion
Subjek:	T Technology > TE Highway engineering. Roads and pavements
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	13 Mar 2026 01:31
Last Modified:	13 Mar 2026 01:31
URI:	http://eprints.upnyk.ac.id/id/eprint/47360

Actions (login required)

View Item