Abstract:
Kecerdasan buatan telah banyak berkembang dan digunakan untuk memecahkan masalah yang terkait dengan penglihatan komputer. Pada skripsi ini, convolutional neural network yang merupakan salah satu bagian dari kecerdasan buatan diimplementasikan untuk mendeteksi retak pada permukaan beton. Semantic image segmentation adalah proses pengklasifikasian setiap piksel pada gambar. Semantic image segmentation yang berbasis kecerdasan buatan dapat dilakukan menggunakan convolutional neural network dengan struktur encoder-decoder. Skripsi ini bertujuan untuk membandingkan dua arsitektur semantic image segmentation dalam bidang deteksi retak pada permukaan beton. Arsitektur yang akan digunakan dalam perbandingan adalah U-Net dan DeepLabV3+. U-Net telah terbukti performanya untuk segmentasi gambar biomedis, sedangkan DeepLabV3+ telah terbukti performanya untuk segmentasi gambar multiskala. Kedua arsitektur tersebut akan dibandingkan performanya menggunakan parameter akurasi, F1, precision, dan recall. Performa neural network sangat tergantung dari dataset pelatihan yang dipakai. Oleh karena itu, pengaruh berbagai variasi dataset pelatihan juga akan ditinjau dalam skripsi ini. Neural network dilatih menggunakan cloud computing dengan Graphic Processing Unit (GPU) NVIDIA Tesla V100 dan RAM 27,4 gigabyte. Neural network akan dievaluasi menggunakan gambar retak sederhana, retak berongga, dan retak kompleks. Hasil segmentasi retak akan dikuantifikasi dengan medial axis transform untuk mencari panjang retak dan lebar retak. Hasil pengujian memperlihatkan bahwa variasi dataset pelatihan sangat mempengaruhi performa neural network, sehingga diperlukan pemilihan kondisi lingkungan yang bervariasi untuk meningkatkan performa neural network. Medial axis transform juga bisa mengukur panjang retak dan lebar retak dengan akurat dalam satuan piksel.
