PROPOSAL PENELITIAN DASAR UNIVERSITAS LAMPUNG
PREDIKSI RETAK BETON DENGAN MENGGUNAKAN ALGORITME CONVOLUTIONAL NEURAL NETWORK
TIM PELAKSANA PENELITI Ketua :
Favorisen R. Lumbanraja, Ph.D (0010018301, 6156743)
Anggota :
Aristoteles., M.Si. (0021058103, 5980605)
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG
2021
HALAMAN PENGESAHAN
PENELITIAN DASAR UNIVERSITAS LAMPUNG
Judul Penelitian : Prediksi Citra Retak Beton dengan Menggunakan Algoritme Convolutional Neural Network Manfaat Sosial Ekonomi : Peningkatan IPTEKS dalam bidang Penjaminan
Mutu Tri Dharma Perguruan Tinggi
Jenis Penelitian : Penelitian Dasar Penelitian Terapan : Pengembangan Eksperimental
Ketua Peneliti
a. Nama Lengkap : Favorisen Rosyking Lumbanraja, Ph.D
b. NIDN : 0010018301
c. SINTA ID : 6156743
d. Jabatan Fungsional : Asisten Ahli e. Program Studi : Ilmu Komputer
f. Nomor HP : 0812860897
g. Alamat Surel (e-mail) : favorisen.lumbanraja@fmipa.unila.ac.id Anggota Peneliti (1)
a. Nama Lengkap : Aristoteles, S.Si., M.Si
b. NIDN : 0021058103
c. SINTA ID : 5980605
d. Program Studi : Ilmu Komputer Jumlah Mahasiswa yang Terlibat : 1 Orang Jumlah Alumni yang Terlibat : - Jumlah Staf yang Terlibat : -
Lokasi Kegiatan : Universitas Lampung
Lama Kegiatan : 6 (Enam) Bulan
Biaya Penelitian : Rp 20.000.000
Sumber Dana : DIPA BLU Unila Tahun 2021
Mengetahui, Bandar Lampung, 18 Februari 2021
Dekan FMIPA Unila, Ketua Peneliti,
Dr. Eng. Suripto Dwi Yuwono, M.T. Favorisen R. Lumbanraja, Ph.D NIP. 19740705 200003 1 001 NIP. 19830110 200812 1 002
Menyetujui,
Ketua LPPM Universitas Lampung,
Dr. Ir. Lusmeilia Afriani, D.E.A NIP. 19650510 199303 2 008
IDENTITAS DAN URAIAN UMUM
PENELITIAN PROTOTYPE UNIVERSITAS LAMPUNG 1. Judul Penelitian : Klasifikasi Gambar Retak Beton dengan Menggunakan
Algoritme Convolutional Neural Network 2. Tim Peneliti
No Nama Jabatan Bidang
Keahlian Program
Studi Alokasi Waktu
(jam/minggu) 1 Favorisen R.
Lumbanraja Ketua Ilmu Komputer Ilmu
Komputer 8 jam 2 Aristoteles Anggota Ilmu Komputer Ilmu
Komputer 8 jam
3. Objek Penelitian (jenis material yang akan diteliti dan segi penelitian)
Data Sekunder tentang gambar Retak Beton yang diteliti dengan menggunakan metode CNN (Convolutional Neural Network).
4. Masa Pelaksanaan
Mulai : Bulan Maret Tahun 2021 Berakhir : Bulan Agustus Tahun 2021 5. Usulan Biaya : Rp. 20.000.000.-
6. Lokasi Penelitian:
Laboratorium Rekayasa Perangkat Lunak (RPL) Jurusan Ilmu Komputer FMIPA UNILA.
7. Instansi lain yang terlibat (jika ada, uraikan apa kontribusinya) -
8. Kontribusi mendasar pada suatu bidang ilmu peniliti adalah mampu memprediksi dan menentukan apakah sebuah bangunan memuliki retak beton. Selama ini menggunakan pakar untuk memprediksi keratakan banguna. Dengan demikian mencegah terjadinya kecelakaan dan musibah.
Diharapkan penelitian ini akan mendukung pengembangan IPTEK khususnya dalam pengklasifikasian retak beton dengan menggunakan algoritme
Covolutional Neural Network.
9. Hasil Penelitian ini akan di seminar di seminar international “The 6th
International Conference on Computer Science and Computational Intelligence (ICCSCI)”https://socs.binus.ac.id/iccsci/dan dipublikasikan di Procedia Computer Science (terindex scopus)
https://www.sciencedirect.com/journal/procedia-computer-science
DAFTAR ISI
Halaman
IDENTITAS DAN URAIAN UMUM...iii
DAFTAR ISI...v
DAFTAR TABEL...vi
DAFTAR GAMBAR... vii
RINGKASAN...ix
BAB I. PENDAHULUAN...10
1.1. Latar Belakang...10
1.2. State of The Art... 12
1.3. Tujuan Khusus...16
1.4. Urgensi Penelitian... 16
BAB 2. TINJAUAN PUSTAKA...17
2.1. Beton...17
2.2. Retak Beton... 17
2.3. Citra Digital...18
2.4. Machine Learning...20
2.5. Deep Learning... 22
2.6. Evaluasi Kinerja Klasifikasi... 29
2.7. K-Fold Cross-Validation...31
BAB 3. METODE...33
BAB 5. RENCANA ANGGARAN BIAYA...42
BAB 6. JADWAL...43
DAFTAR PUSTAKA...44
LAMPIRAN...48
DAFTAR TABEL
Tabel Halaman
1... P erbandingan Penelitian Sebelumnya (State of the Art)... 13 2... J
umlah Data Training dan Data Validation...36
DAFTAR GAMBAR
Gambar Halaman
1... K erusakan Akibat Gempa... 10 2... R
etak Pada Beton... 18 3... R
epresentasi Citra Digital dalam Dua Dimensi (Bernd, 2000)...20 4... M
etode Supervised Learning... 21 5... M
etode Unsupervised Learning...22 6... A
rsitektur Recurrent Neural Network... 23 7... A
rsitektur Probabilistic Neural Network...23 8... A
rsitektur Convolutional Neural Network...24 9... T
ahap Convolutional Layer... 25 10... O
perasi Max-pooling... 28 11... F
ully Connected Layer... 28 12... C
onfusion Matrix... 29
13... S kenario K-Fold Cross Validation...32 14... D
iagram Alur Penelitian...34 15... C
itra Retak Beton Positif dan Negatif...35 16... C
itra Sebelum dan Sesudah Proses Resize...37 17... K
onversi RGB Menjadi Grayscale...38
RINGKASAN
KLASIFIKASI GAMBAR RETAK BETON DENGAN MENGGUNAKAN ALGORITME CONVOLUTIONAL NEURAL
Beton merupakan bahan suatu konstruksi yang paling banyak digunakan pada dunia industri konstruksi. Material beton ini adalah salah satu material penting yang digunakan pada pembangunan infrastruktur di Indonesia. Retak pada suatu kontruksi adalah hal yang sangat dihindari dalam setiap pembangunan infrastruktur. Retak adalah suatu keadaan ketika evaporasi air pada beton terjadi sangat cepat akibat perubahan cuaca. Banyak tindakan yang dilakukan secara tradisional dalam menentukan suatu kontruksi dalam keadaan retak atau tidak retak, namun menghasilkan kesimpulan yang tidak akurat. Indonesia adalah negara yang sedang melakukan banyak pembangunan infrastruktur secara signifikan untuk menjadi negara maju dan memperbaiki keadaan internal negara. Oleh karena itu salah satu hal mendasar pada suatu kontruksi yang menggunakan beton dalam pembangunan infrastruktur sangat diperhatikan keadaanya. Berdasarkan atas permasalahan tersebut, penelitian ini menggunakan salah satu metode klasifikasi suatu objek dengan menggunakan citra digital yaitu Convolutional Neural Network untuk mengklasifikasikan retak pada beton.
Penelitian ini memiliki tujuan untuk mengklasifikasikan gambar retak beton dengan menggunakan algoritme Convolutional Neural Network. Tahapan dalam penelitian ini yaitu persiapan pengumpulan data penelitian data sekunder yang disimpan di dalam file format (.jpg) dengan jumlah data puluhan ribu dan tahap kedua adalah tahap pre-processing dengan memilih kelas pada citra, kemudian menyusun perancangan dengan menggunakan arsitektur Convolutional Neural Network, akan dilakukan proses training dan testing dari hasil yang didapatkan, dan pengujian akurasi. Hasil penelitian ini diharapkan dapat memberikan manfaat melihat hasil dari tingkat akurasi terbaik dari pengklasifikasian gambar retak beton dengan menggunakan algoritme Convolutional Neural Network.
Kata kunci : Retak Beton, Citra Digital, CNN (Convolutional Neural Network)
BAB I. PENDAHULUAN
1.1. Latar Belakang
Indonesia berada di wilayah lintasan Jalur Circum Pasifik dan Jalur Hindia Himalaya serta berada pada jalur penunjaman lempeng bumi, yaitu pada penunjaman Lempeng Samudra Indo–Australia dengan Lempeng Benua Eurasia.
Jalur penunjaman ini merupakan jalur penyebab gempa bumi tektonik yang bersifat regional dan menimbulkan kerusakan yang sangat parah. Apabila jalur gempa tersebut berada di dasar laut, maka sangat berpotensi menimbulkan bencana tsunami (Nur, 2010). Dari kejadian gempa tersebut, korban jiwa yang jatuh bukanlah salah satu dampak langsung dari gempa itu sendiri, melainkan retakan pada beton dan runtuhnya suatu kontruksi juga terkena dampak dari gempa tersebut. Retakan pada beton adalah salah satu dampak yang paling sering terjadi ketika adanya gempa dan faktor–faktor lain yang menyebabkan terjadinya retakan. Pada umumnya, kerusakan terjadi karena komponen struktur beton bertulang tidak sanggup memikul beban siklik akibat goyangan suatu gempa atau getaran yang terjadi. Karena kemampuan layan ditentukan oleh lendutan, retak, korosi tulangan, dan rusaknya permukaan beton (Dipohusodo 1996).
Gambar 1 Kerusakan Akibat Gempa.
Beton merupakan salah satu pilihan sebagai bahan struktur dalam konstruksi bangunan. Beton diminati karena banyak memiliki kelebihan-kelebihan dibandingkan dengan bahan lainnya. Untuk pembebanan besar maka salah satu alternatif yaitu menggunakan beton mutu tinggi. Pada saat pembebanan beton dapat mengalami retak, karena beton lemah terhadap gaya tarik. Salah satu retak yang terjadi yaitu retak lentur yang muncul secara vertikal memanjang mengarah ke atas sumbu balok (Fiany et al., 2018). Terkadang sulit untuk dapat mengetahui bagaimana retakan itu terlihat dan membedakan retakan yang sangat fatal dengan retakan yang hanya sekedar retakan karena terkikis atau kesalahan dalam membangun suatu kontruksi.
Berdasarkan atas permasalahan tersebut maka munculah salah satu teknik yaitu dengan mengklasifikasi citra gambar retakan pada beton. Klasifikasi citra merupakan suatu proses yang biasa digunakan untuk mendeteksi objek dari citra yang sudah ada. Klasifikasi citra sendiri merupakan bidang dari Computer Vision. Salah satu teknik untuk klasifikasi citra yang sudah dikenal yaitu Artificial Neural Network yang dapat memecahkan masalah dengan menggunakan informasi internal dan eskternal. Teknik ini memiliki beberapa lapisan yang disebut dengan Multi Layer Perceptron, yaitu dengan konsep menghubungkan secara penuh antar neuron sehingga memiliki kemampuan klasifikasi yang kuat. Teknik ini memiliki kekurangan dalam mengklasifikasi input yang berupa gambar. Hal ini dikarenakan ada beberapa proses yang harus dilakukan dan banyak parameter bebas atau informasi yang berlebihan sehingga hasil klasifikasi kurang maksimal.
Salah satu solusi teknik lain dalam menyelesaikan permasalahan tersebut adalah dengan menggunakan metode Deep Learning, yaitu metode Convolutional Neural Network. Metode Deep Learning terutama Convolutional Neural Network adalah salah satu metode yang membuat Computer Vision berkembang dengan sangat pesat saat ini (Krizhevsky et al., 2012). Metode Convolutional
Neural Network sangat terkenal dalam permasalahan Computer Vision karena terdapat adanya kompetisi ImageNet Large Scale Visual Recognition Challenge (ILSVRC) (Russakovsky et al., 2015). Pada klasifikasi citra, salah satu arsitektur CNN yaitu AlexNet dapat meningkatkan akurasi dari metode tradisional lainnya sebesar lebih dari 10%, dan hal itu juga dimiliki oleh arsitektur CNN yang lainnya seperti ResNet (He et al., 2015) dan GoogLeNet (Szegedy et al., 2015).
Pada penelitian sebelumnya klasifikasi retak pada beton telah dikembangkan menggunakan Deep Neural Network dengan 6 lapisan konvolusional pada deteksi retakan di jalan raya dan menggunakan arsitektur ConvNet dengan perolehan presisi tertinggi mencapai 0.8696 dan 0.9251 (Zhang et al., 2017).
Inspeksi dan deteksi retakan secara visual adalah metode yang banyak digunakan untuk mendapatkan informasi tentang kondisi terbaik pada struktur kontruksi dan retakan. Sementara jika dilakukan secara observasi manual, maka akan banyak memakan waktu dan subjektivitas evaluasi (Ozgenel et al., 2018). Berdasarkan permasalahan yang telah dijelaskan dan penelitian sebelumnya, maka dari itu penelitian ini dilakukan untuk melihat hasil tingkat akurasi klasifikasi gambar retak beton dengan menggunakan Convolutional Neural Network.
1.2. State of The Art
Dalam penelitian ini disertakan tiga jurnal penelitian sebelumnya yang berhubungan dengan konsep CNN (Convolutional Neural Network). Jurnal tersebut antara lain:
1. Penelitian yang dilakukan oleh Lei Zhang, Fan Yang, Yimin Daniel Zhang, dan Ying Julie Zhang (2017), yang berjudul “Road Crack Detection Using Deep Convolutional Neural Network”. Penelitian ini meneliti pada retak beton jalan raya dan trotoar dengan tujuan untuk menjamin keselamatan dalam berkendara.
Data yang digunakan dalam penelitian yaitu berupa 500 data gambar jalan raya dengan ukuran 3254x2448. Penelitian menggunakan metode Deep Neural Network dengan arsitektur yang digunakan yaitu ConvNet. Hasil akurasi yang didapatkan dengan menggunakan arsitektur ConvNet mendapatkan hasil akurasi
yang tinggi dibandingkan dengan SVM dan metode Boosting dengan hasil akurasi perolehan presisi 0.8696 dan 0.9251.
2. Penelitian yang dilakukan oleh Mayank Sharma dan Weerachai Anotaipaiboon (2018) yang berjudul “Concrete Crack Detection Using the Integration of Convolutional Neural Network and Support Vector Machine” melakukan penelitian menggunakan metode Support Vector Machine. Data gambar yang digunakan berjumlah 15600 data gambar positif dan negatif. Hasil akurasi yang didapatkan menggunakan metode SVM yaitu 0.9076.
3. Penelitian yang dilakukan oleh C.F. Ozgenel dan A. Gonec Sorguc (2018), dengan judul “Performance Comparison of Pretrained Convolutional Neural Networks on Crack Detection in Buildings” melakukan penelitian dengan menggunakan metode Convolutional Neural Network. Data yang digunakan sebanyak 600.000 data training dan 200.000 data testing. Arsitektur CNN yang digunakan yaitu AlexNet, VGG16, VGG19, GoogLeNeeet, ResNet50, ResNet101, dan ResNet152.
Hasil akurasi tertinggi dan terbaik yang didapatkan yaitu dengan menggunakan arsitektur VGG16 dengan hasil terbaik yaitu 0.96.
Tabel 1 Perbandingan Penelitian Sebelumnya (State of the Art)
No Judul Jurnal dan Peneliti
Tahun dan Tempat Peneliti
an
Metode Penelitian
Objek Penelitian Perbandingan yang dijadikan alasan tinjauan
penelitian
1. Road Crack Detection Using Deep Convolutional Neural
2017 Kuantitatif Mendeteksi keretakan pada jalan raya dengan metode Deep Convolutional
Hasil
penelitian ini digunakan sebagai patokan peneliti yang
Network Neural Network menunjukkan bagaimana dalam menentukan klasifikasi retak pada beton dengan menggunakan Metode Deep Convolutional Neural
Networ) dengan menggunakan arsitektur ConvNet 2. Concrete
Crack Detection Using the Integration of Convolutional Neural
Network and Support Vector Machine
2018 Kuantitatif Mendeteksi Retak Beton dengan menggunakan pendekatan Convolutional Neural Network dan Support Vector Machine
Hasil
penelitian ini digunakan sebagai patokan peneliti yang menunjukkan bagaimana hasil
perbandingan yang diperoleh dengan
menggunakan
metode Convolutional Neural
Network dan Support Vector Machine 3. Performance
Comparison of Pretrained Convolutional Neural
Networks on Crack Detection in Buildings.
2018 Kuantitatif Perbandingan dengan penelitian terdahulu dengan menggunakan Convolutional Neural Network
Hasil
penelitian ini digunakan sebagai patokan peneliti yang menunjukkan bagaimana dalam menentukan tingkat akurasi terbaik dari citra retak beton dengan menggunakan algoritme Convolutional Neural
Network dengan menggunakan arsitektur CNN yang lebih
banyak dari penelitian terdahulu
1.3. Tujuan Khusus
Tujuan khusus peneliatian ini adalah untuk mengklasifikasikan gambar retak beton dengan menggunakan algoritme CNN (Covolutional Neural Network).
1.4. Urgensi Penelitian
Penelitian ini penting dilakukan untuk mengetahui tingkat akurasi retak pada beton dengan menggunakan algoritme CNN (Covolutional Neural Network).
BAB 2. TINJAUAN PUSTAKA
2.1. Beton
Beton merupakan suatu konstruksi yang paling banyak digunakan pada industri konstruksi. Material beton ini adalah salah satu material penting yang digunakan pada pembangunan infrastruktur di Indonesia. Pada umumnya beton tersusun dari bahan–bahan yang ada di alam diantaranya pasir dan kerikil serta bahan penyusun semen (Putri et al., 2018). Beton pada dasarnya merupakan campuran yang terdiri dari agregat kasar dan agregat halus yang terkadang ditambahkan dengan addirive (Adi, 2013). Selain Agregat beton juga tersusun dari air dan semen, yang kemudian diolah secara bersama-sama. Penggunaan beton pada suatu konstruksi meliputi komponen struktur dan non struktur yang masing-masing memiliki komposisi yang berbeda dalam pembangunan suatu konstruksi (Widodo et al., 2017).
2.2. Retak Beton
Retak (cracks) adalah suatu keadaan pecah yang biasanya terjadi pada beton dalam garis–garis yang relatif panjang dan sempit. Retak pada umumnya dapat terjadi apabila evaporasi air dalam campuran beton terjadi dengan cepat akibat dari cuaca yang panas, kering, atau berangin (Isneini, 2009). Keretakan pada suatu konstruksi atau pada beton dapat disebabkan oleh dua hal yaitu yang pertama retak yang disebabkan dengan oleh beban eksternal yang dapat mengakibatkan beton menjadi lentur, bergeser, atau kombinasi kedua hal tersebut pada elemen beton. Penyebab kedua yaitu retakan disebabkan dari proses pengeringan pada beton yang tidak seragam atau bersamaan., biasanya hal ini disebut dengan retak susut (shrinkage cracks). Menurut Carino, (1995) retak pada beton terjadi dengan melalui tiga macam fase keretakan balok beton, yaitu fase sebelum retak (uncracked), fase retak pada kondisi elastik (cracked with elastic range), dan yang terakhir fase retak pada kondisi
ultimit. Kondisi uncracked dapat terjadi ketika tegangan akibat beban beton yang masih berada di bawah tegangan tarik ijin (modulus of rupture), yaitu pada fase ini beton belum mengalami keretakan (Rokhman, 2012).
Gambar 2 Retak Pada Beton.
2.3. Citra Digital
Citra adalah suatu gambaran atau representasi dua dimensi untuksuatu bentuk nyata tiga dimensi. Perwujudan sebuah citra dapat bermacam-macam, yaitu dapat berupa gambar berwarna putih pada sebuah foto diam sampai dengan gambar berwarna pada suatu media informasi digital. Faktor-faktor yang dapat mempengaruhi tidak terbentuknya proses transformasi dari bentuk tiga dimensi ke bentuk dua dimensi untuk menghasilkan suatu citra bermacam-macam Faktor-faktor tersebut diantaranya yaitu adanya efek penurunan degradasi atau suatau penurunan kualitas yang berupa rentang kontras pada benda yang terlalu lebar atau terlalu sempit, distorsi geometric kekaburan yang mengakibatkan citra yang bergerak pada sembilan unsur interpretasi motion blur, noisw atau gangguan yang disebabkan oleh pembuat tranduser atau peralatan elektronik maupun peralatan optik. Pengolahan citra digital dilakukan menggunakan computer digital, maka citra yang akan diolah menjadi besaran diskrit yang berasal dari nilai keabuan pada titik element citra. Bentuk dari citra inilah yang dikenal dengan citra digital (Arifin et al., 2002). Citra digital merupakan gambar yang dihasilkan melalui proses sampling dari sebuah gambar analog dua dimensi
yang kontinus menjadi gambar diskrit untuk menghasilkan suatu gambar dua dimensi(Sutoyo, 2009). Citra digital dipetakan menjadi bentuk elemen piksel berbentuk matriks dua dimensi, grid, serta masing-masing pixel tersebut memiliki angka yang dapat mempresentasikan channel warna. Angka pada masing-masing piksel akan disimpan berurutan dan dilakukan suatu kompresi oleh komputer jika dibutuhkan. Citra digital mewakili sebuah matriks yang terdiri dari M kolom dan N baris. Pemotongan antara kolom dan baris tersebut dikenal dengan sebutan pixel (picture element). Pixel merupakan elemen terkecil dari sebuah citra yang memiliki dua parameter, yaitu intensitas atau warna dan koordinat. Nilai yang terdapat pada koordinat (x,y) adalah ƒ(x,y), yaitu besar intensitas dari pixel di titik tersebut. Citra dapat dituliskan kedalam sebuah bentuk matriks persamaan berikut:
ƒ (x,y) =
� 0,0 � 0,1 …… � 0, � − 1
� 1,0 � 1,1 …… � 1, � − 1
� � − 1,0 � � − 1,1 …… �(� − 1, � − 1)
(1)
Berdasarkan rumus tersebut, dapat dituliskan kedalam fungsi matematis seperti persamaan berikut:
0 ≤ x ≤ M-1 0 ≤ x ≤ N-1 0 ≤ f( x,y) ≤ G-1
(2)
Keterangan:
M = jumlah pixel baris pada array citra N = jumlah pixel kolom pada array citra G = nilai skala keabuan (grayscale)
Besar nilai M, N, dan G merupakan perpangkatan dari dia seperti yang terlihat pada persamaan berikut:
M = 2m ; N = 2n ; G = 2k
(3)
Nilai M, N dan K merupakan bilangan positif interval (0,G) yang disebut dengan grayscale. Besar nilai G tergantung pada proses digitalisasinya. Pada citra delapan bit, nilai G sama dengan 28 = 256 warna grayscale.
Gambar 3 Representasi Citra Digital dalam Dua Dimensi (Bernd, 2000).
2.4. Machine Learning
Machine learning merupakan suatu pembelajaran mesin yang membuat mudah dalam mengerjakan sesuatu, membantu dalam penyelesaian suatu masalah, dan mempermudahkan pekerjaan manusia (Telaumbanua et al., 2018). Machine learning dapat digunakan sebagai sistem pengolahan suatu data, sehingga data yang diolah dapat lebih mudah dikerjakan walaupun dengan data yang diolah sangat besar (Big data). Machine learning sangat mempermudah pekerjaan manusia sehingga hal ini dapat digunakan sebagai pedoman dalam berbagai bidang keilmuan yang membutuhkan (Rauhan, 2019). Salah satu kelebihan dari machine learning yaitu dapat memprediksi suatu data dengan tingkat keakuratan yang tinggi, sehingga
machine learning dapat dikatakan akan menjadi teknologi yang sangat penting setelah internet (Khairudin, 2018).
Pada dasarnya machine learning memiliki dua algoritme yang sering digunakan yaitu supervised learning dan unsupervised learning. Tipe algoritme pada machine learning memiliki tipe dataset masing-masing
1. Supervised Learning
Supervised learning merupakan suatu pembelajarn yang terawasi, output yang diharapkan telah diketahui sebelumnya. Pada metode ini setiap pola yang diberikan kedalam neuron telah diketahui outputnya. Pada algoritme supervised learning sistem diberikan training dan dataset berupa informasi input dan output yang diinginkan. Sehingga mesin dapat mempelajari sendiri berdasarkan data yang telah ada.
Gambar 4 Metode Supervised Learning.
2. Unsupervised Learning
Unsupervised learning adalah tipe algoritme machine learning yang hanya akan mempelajari suatu data berdasarkan clustering. Algoritme ini tidak mendapatkan training dataset, sehingga membutuhkan pembelajaran dari data yang telah ada.
Tipe algoritme ini digunakan untuk menarik suatu kesimpulan dari dataset.
Metode yang paling umum digunakan pada tipe algoritme ini yaitu analisis
cluster, yang digunakan untuk mencari pola-pola pengelompokan data (deskriptif).
Gambar 5 Metode Unsupervised Learning.
2.5. Deep Learning
Deep Learning adalah perkembangan ilmu dari Jaringan Saraf Tiruan yang merupakan cabang ilmu dari machine learning (Ilahiyah et al., 2018). Deep Learning merupakan suatu proses pembelajaran yang mengacu pada hukum matematik dengan menggunakan algoritme dan dapat bekerja seperti layaknya manusia (Maulana et al., 2019).
Deep learning memiliki beberapa penerapan yang dapat digunakan dalam mengenali objek pada sebuah citra digital. Berikut merupakan beberapa algoritme penerapan deep learning:
1. Reccurent Neural Network
Metode Recurrent Neural Network adalah salah satu algoritme dari penerapan Deep Learning yang memiliki sistematika perhitungan bobot secara berulang.
Setiap input yang masuk dan menghasilkan suatu output, akan dimasukkan kembali menjadi sebuah input untuk diproses kembali di dalam hidden layer sehingga memperoleh output sesuai dengan target (Graves, 2012). Nilai akurasi yang dihasilkan RNN dapat lebih baik apabila dibandingkan dengan algoritme
sederhana lainnya karena yang dihitung akan lebih akurat mendekati persamaan setiap kata (Ivanedra et al., 2018).
Gambar 6 Arsitektur Recurrent Neural Network.
2. Probabilistic Neural Network
Metode Probabilistic Neural Network adalah salah satu algoritme dari penerapan deep learning yang digunakan untuk pengklasifikasian suatu objek pada citra digital. PNN dikategorikan sebagai pembelajaran yang tidak terawasi dan tidak memerlukan proses training yang berulang. Hal yang membedakan dengan algoritme yang lain adalah PNN sangat bergantung dengan parameter smoothing yang digunakan. Fungsi yang digunakan pada algoritme ini yaitu fungsi probabilitas, fungsi ini tidak membutuhkan dataset yang besar dalam pengerjaannya. Kelebihan dari algoritme ini adalah dapat mengatasi perbatasan yang terdapat pada backpropagation dengan mengatasi waktu training yang lama (Adyati, 2019).
Gambar 7 Arsitektur Probabilistic Neural Network.
3. Convolutional Neural Network
Metode Convolutional Neural Network dipercaya dapat mendeteksi dan mengenali suatu objek pada sebuah citra digital dengan sangat kompleks karena CNN sangat baik dalam menemukan fitur yang baik pada citra ke lapisan selanjutnya untuk membentuk hipotesis nonlinier yang dapat meningkatkan kekompleksitasan sebuah model. CNN merupakan pengembangan dari metode backpropagation yang tidak memerlukan proses komputasi yang besar (Alam et al., 2019). Secara teknis CNN adalah sebuah algoritme yang dapat dilatih dan terdiri dari beberapa tahap dengan input dan output dari setiap tahap terdiri dari beberapa array yang disebut dengan feature map. Setiap tahap pada CNN terdiri tiga layer yaitu Convolution, ReLu, dan Pooling layer. Berikut merupakan jaringan arsitektur Convolutional Neural Network:
Gambar 8 Arsitektur Convolutional Neural Network.
Berdasarkan gambar arsitektur CNN tersebut, tahap pertama pada arsitektur CNN adalah tahap Convolution. Tahap ini dilakukan dengan menggunakan sebuah kernel dengan ukuran tertentu. Perhitungan sebuah kernel yang digunakan tergantung dari banyak jumlah fitur yang dihasilkan. Selanjutnya dilakukan tahap fungsi aktivasi yang sering digunakan yaitu fungsi aktivasi ReLu (Rectifier Linear Unit), kemudian setelah keluar dari proses fungsi aktivasi tahap selanjutnya dilakukan proses pooling. Proses ini dilakukan berulang-ulang sampai didapatkan hasil peta fitur yang dilanjutkan ke fully connected neural network, dan dari fully connected network adalah output class
a. Convolution Layer
Convolution adalah sebuah proses untuk menghasilkan citra baru dengan cara citra dimanipulasi dengan mengunakan eksternal mask atau subwindows.
Convolution adalah jumlah keseluruhan total hasil kali antara setiap elemen yang memiliki posisi koodinat yang sama dalam dua vektor dan dua matriks (Madenda, 2015).
Gambar 9 Tahap Convolutional Layer.
Convolutional layer terdiri dari neuron yang tersusun dan membentuk sebuah filter dengan pixel. Operasi ini menerapkan fungsi output sebagai feature map dari input citra. Input dan ouput ini dapat dilihat sebagai dua argumen yang bernilai riil. Operasi Convolution dapat dituliskan sebagai berikut:
� � = � ∗ � � =
∝=−∞ � � ∗�(�− �)
∞
(4)
Keterangan:
S(t) = fungsi hasil opereasi convolution X = input
W = kernel
Fungsi dari hasil operasi convolution akan memberikan output tunggal berupa feature map. Argumen pertama adalah input yang merupakan x dan argumen kedua w sebagai kernel kemudian menggantikannya dengan i dan j.
Operasi convolution ke input dengan lebih dari satu dimensi dapat ditulis sebagai berikut:
� �� = � ∗ � �� = ∞ ∞ � � − �, � − � �(�, �)
� �� = � ∗ � �� = ∞ ∞ � � + �, � + � �(�, �)
(5)
Berdasarkan atas persamaan tersebut, i dan j dalam operasi convolution adalah sebuah pixel dari citra. Perhitungan pada persamaan ini bersifat komulatif kemudian muncul K sebagai kernel, dan I sebagai input dan kernel yang dapat dibalik relatif terhadap input. Penentuan pada volume output dapat ditentukan dari setiap lapisan menggunakan hyperparameter, yang digunakan untuk menghitung banyaknya jaringan syaraf aktivasi dalam sekali ouput. Berikut merupakan persmaan dari hyperparameter:
(�–�+ 2�)/(�+ 1)
(6)
Keterangan:
W = ukuran volume gambar F = ukutan filter
P = nilai padding yang digunakan S = ukuran pergeseran (stride)
Ukuran spasial dari volume output yaitu hyperparameter yang dipakai adalah ukuran volume, filter, stride, dan jumlah padding nol yang digunakan. Stride digunakan utuk menggeser filter melalui input citra dan zero padding untuk mendapatkan angka nol disekitar border citra.
b. Rectified Linear Unit
Rectified Linear Unit (ReLu) adalah salah satu fungsi aktivasi. Tujuan dari fungsi aktivasi yaitu untuk menghilangkan negatif citra menjadi nilai nol (Pangestu et al., 2020). Fungsi aktivasi ReLu adalah cara dasar dalam memperkenalkan non-linearitas ke dalam neuron (Rohim et al., 2019).
Fungsi ReLu dapat dirumuskan sebagai berikut:
ƒ � = � � ≥ 00 (� < 0)
(7)
c. Pooling Layer
Pooling adalah proses mereduksi ukuran sebuah data citra yang bertujuan untuk meningkatkan invariansi posisi dari fitur serta mempercepat komputasi dan mengontrol terjadinya overfitting (Rohim et al., 2019). Pooling layer terdiri dari sebuah filter dengan ukuran dan stride tertentu yang secara bergantian bergeser pada seluruh area feature map. Pooling yang digunakan yaitu average pooling dan max-pooling. Nilai yang diambil pada average pooling adalah nilai rata-rata, sedangkan pada max-pooling yang digunakan adalah nilai maksimal. Lapisan pooling umumnya menggunakan filter dengan ukuran 2x2 yang diaplikasikan dengan dua langkah dan beroperasi pada setiap irisan dari inputnya.
Gambar 10 Operasi Max-pooling.
Berdasarkan gambar tersebut operasi max-pooling menggunakan filter 2x2, dengan masukan 4x4 dari setiap empat angka pada input operasi tersebut diambil nilai maksimalnya yang kemudian akan dilanjutkan untuk mmembuat ukuan output baru menjadi 2x2. Output dari proses pooling layer tersebut yaitu matriks dengan dimensi yang lebih kecil dari citra awal.
d. Fully Connected Layer
Fully Connected Layer adalah lapisan terakhir yang menghubungkan masing- masing jaringan syaraf dari lapisan pooling ke setiap jaringan syaraf output atau sejumlah kelas klasifikasi. Pada lapisan ini digunakan pada Multi Layer Perceptron yang bertujuan untuk melakukan suatu transformasi pada dimensi data agar data dapat diklasifikasikan secara linier.
Gambar 11 Fully Connected Layer.
Pada gambar tersebut dapat dilihat sebelum hasil pooling digunakan sebagai input, hasil pooling terlebih dahulu diubah menjadi satuan vektor yang kemudian akan diproses ke dalam fully connected layer. Pada layer ini akan digunakan fungsi aktiasi sigmoid atau softmax untuk mendapatkan hasil klasifikasi dari citra yang masuk pada input layer CNN.
2.6. Evaluasi Kinerja Klasifikasi
Pada klasifikasi akan diakhiri dengan sebuah evaluasi yang sering disebut dengan evaluasi kinerja klasifikasi (Prasetyowati et al., 2018). Untuk mengevaluasi kinerja klasifikasi dilakukan dengan menganalisis kemampuan alat klasifikasi mengenali tuple dari kelas yang berbeda, maka akan dibutuhkan suatu confusion matrix. Berikut beberapa parameter untuk mengevaluasi kinerja klasifikasi:
1. Confusion Matrix
Penentuan suatu perfoma alat klasifikasi untuk menilai baik dan tidaknya atau mengukur tingakt akurasi pada pemodelan klasifikasi dapat dilihat menggunakan parameter pengukuran performanya (Rahman, et al., 2017).
Beberapa diantaranya seperti sensitivitas, sparsity, akurasi dan mcc. Untuk menghitung faktor-faktor tersebut dibutuhkan sebuah matriks yang disebut dengan confusion matrix. Berikut merupakan confusion matrix yang sering digunakan dalam pengukuran:
Gambar 12 Confusion Matrix.
Keterangan:
TP(True Positive) = Jumlah data dengan nilai hasil positif dan nilai prediksi positif
FP (False Positive) = jumlah data dengan nilai hasil negatif dan nilai prediksi positif.
FN (False-Negative) = jumlah data dengan nilai hasil positive dan nilai prediksi negatif.
TN (True Negative) = jumlah data dengan nilai hasil negatif dan nilai prediksi negatif.
Nilai dari True-Positive dan True-Negative akan memberikan hasil informasi ketika classifier melakukan klasifikasi dengan data yang bernilai benar, sedangkan untuk False-Positive dan False-Negative akan memberikan hasil informasi ketika classifier melakukan klasifikasi data yang bernilai salah (Fibrianda et al., 2018).
2. Sensitivitas
Sensitivitas dapat diartikan sebagai tingkat kemampuan model untuk mendeteksi data dengan label positif dengan benar. Sensitivitas dimaknai sebagai proporsi jumlah data yang dapat diprediksi pada model berlabel positif dari seluruh data yang berlabel positif (Yudianto et al., 2020). Berikut merupakan persamaan dari sensitivitas:
������������ = ��
�� + ��
(8)
3. Specificity
Specificity adalah tingkat kemampuan model untuk mendeteksi suatu data yang berlebel negatif dengan benar. Metode ini digunakan untuk memaksimalkan rate-rate negative.
����������� = ��
�� + ��
(9) 4. Akurasi
Akurasi adalah jumlah presentasi data yang dapat diprediksi dengan benar untuk seluruh data yang diolah. Tingkat akurasi suatu objek akan menjelaskan alat pemodelan klasifikasi yang digunakan mampu mengklasifikasikan dengan sangat baik (Yudianto et al., 2020). Berikut merupakan persamaan dari akurasi:
������� = �� + ��
�� + �� + �� + ��
(10)
5. Matthews Correlation Coefficient
Matthews Correlation Coefficient adalah suatu ukuran alternatif yang tidak terpengaruh dengan dataset yang tidak seimbang. Evaluasi klasifikasi menggunakan parameter MCC diklaim memiliki akurasi benar yang tinggi.
Berikut merupakan persamaan dari parameter MCC:
(TP x TN) ₋ (FP x FN)
MCC = (�� + ��) + �� + �� + �� + �� + (�� + ��)
(11)
2.7. K-Fold Cross-Validation
K-Fold Cross Validation adalah metode terbaik dalam menentukan nilai k terbaik dengan optimasi parameter. Metode ini digunakan untuk mengetahui rata-rata
keberhasilan dari sistem dalam melakukan perulangan dengan cara mengacak atribut input sehingga sistem teruji untuk beberapa input yang acak (Banjarsari et al., 2015).
Menurut Fu (1994), K-Fold Cross Validation melakukan perulangan k-kali untuk membagi secara acak suatu contoh himpunan untuk menjadi k subset yang saling bebas. Pada setiap perulangan satu subset akan disisakan untuk testing dan subset yang lain untuk training. Untuk menghitung niali akurasi pada metode K-Fold Cross Validation dapat dilakukan dengan menggunakan persamaan (Rodiyansyah, 2013):
������� =�����ℎ ����������� �����
�����ℎ ���� ��� � 100%
(12) Data yang diberikan K-Fold CV dibagi menjadi K bagian yang setiap bagian akan digunakan sebagat set testing di beberapa dot. Sebagai contoh pada skenario validasi silang 5-fold (K = 5). Dataset dibagi menjadi 5 fold. Untuk literasi pertama, fold yang digunakan pada tahap testing model dan sisanya untuk training model. Pada literasi kedua, fold digunakan pada tahap testing sementara sisanya berfungsi untuk set training. Proses ini akan berulang sampai setiap fold dari 5 fold yang telah digunakan sebagai set training.
Gambar 13 Skenario K-Fold Cross Validation.
BAB 3. METODE
Penelitian ini dilaksanakan mulai dari Maret 2021 bertempat di Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA). Metode yang digunakan dalam penelitian ini adalah metode CNN (Covolutional Neural Network). Diagram alur yang menjelaskan tahapan penelitian ini ditunjukkan pada Gambar 14.
Gambar 14 Diagram Alur Penelitian.
Gambar 14 menjelaskan tahapan pada penelitian ini, tahap awal ialah mencari studi literatur mengenai penelitian yang dilakukan, setelah mendapatkan studi literatur kemudian mengumpulkan data citra retak beton yang didapat pada sumber data Mendeley. Tahap selanjutnya, yaitu tahap pre-processing untuk mengubah ukuran citra menjadi lebih kecil dan dengan ukuran yang sama, kemudian data akan diolah dengan menggunakan perancangan Convolutional Neural Network (CNN). Tahap selanjutnya melakukan pelatihan model dan pengujian model terhadap perhitungan citra yang didapatkan dari perancangan CNN. Tahap akhir akan didapatkan hasil akhir, yaitu berupa akurasi hasil akhir dari klasifikasi yang sudah dilakukan pada tahap pelatihan model dan pengujian model perancangan CNN.
3.1. Studi Literatur
Pada tahapan ini yaitu melakukan pencarian terhadap studi literatur untuk mendapatkan sumber data yang mendukung penelitian. Sumber data diperoleh dari berbagai sumber tertulis dan tidak tertulis, baik dari sebuah penelitian terdahulu, jurnal, buku-buku, website, arsip, paper, atau dokumen-dokumen yang mendukung dengan permasalah klasifikasi citra dan algoritme Convolutional Neural Network.
Tahapan ini bertujuan untuk dapat dijadikan referensi untuk memperkuat penelitian yang sedang dilakukan dan argumentasi-argumentasi yang ada dari penelitian yang telah dilakukan sebelumnya serta referensi sebuah materi.
3.2. Pengumpulan Dataset
Pengumpulan dataset merupakan pengumpulan citra dari retak beton yang merupakan data sekunder dan didapatkan dari sumber data mendeley. Data yang digunakan dalam penelitian ini terdiri dari tiga jenis data, yaitu data training, data validation, dan data testing.
Gambar 15 Citra Retak Beton Positif dan Negatif.
Data yang digunakan terdiri dari dari data citra retak beton dengan data kelas positif dan negatif. Masing-masing data kelas berjumlah 20.000 data citra, sehingga seluruh
data citra yang digunakan berjumlah 40.000 data citra dengan format .JPG/JPEG (Joint Photographic Experts Group). Data citra berdimensi 224x224 pixel dengan resolusi 4032x3024 pixel menggunakan pemodelan warna RGB (Red, Green, Blue) yang selanjutnya akan disimpan dalam folder dengan nama positive dan negative berdasarkan data kelas masing-masing data.
1. Data Training
Data training adalah data-data yang digunakan untuk melakukan proses learning dari citra retak beton. Data yang digunakan dalam penelitian ini untuk proses training, yaitu sebanyak 28.000 citra untuk dua data kelas positif dan negatif.
2. Data Validation
Data validation adalah data-data yang digunakan untuk menguji tingkat akurasi saat melakukan proses training. Data yang akan digunakan pada proses validation, yaitu sebanyak 6.000 citra untuk dua data kelas positif dan negatif.
3. Data Testing
Data testing adalah data-data yang digunakan dalam proses pengujian terhadap hasil learrning citra retak beton yang telah disimpan dalam sebuah pemodelan. Data yang digunakan merupakan data gambar retak gambar secara acak dari data citra yang sudah digunakan selama proses training dan validation. Berikut merupakan jumlah gambar yang digunakan untuk proses training dan validation:
Tabel 2Jumlah Data Training dan Data Validation.
No Data Kelas Data Training Data Validation
1 Retak Beton positif 14.000 3.000
2 Retak Beton negatif 14.000 3.000
Total 28.000 6.000
3.3. Pre-processing
Metode yang dilakukan selanjutnya, yaitu tahap pre-processing. Tahap pre- processing yang dilakukan, yaitu pre-processing data training dan data testing. Pre- processing adalah tahap pengolahan suatu citra yang digunakan untuk menghasilkan citra yang lebih baik sebelum diproses ketahapan berikutnya. Tahap pre-processing ini terdiri dari proses resize dan grayscale, yaitu ukuran pixel dan dimensi pada citra akan diperkecil atau rentang nilai yang akan bernilai sama. Kemudian tahap grayscale dilakukan untuk mengkonversi pemodelan suatu warna yang digunakan pada citra.
1. Resize
Tahapan yang dilakukan pertama kali, yaitu tahap resize. Tahapan ini dilakukan dikarenakan biasanya ukuran pada dimensi citra yang dihasilkan tidak selalu sama dan citra yang diinputkan terkadang memiliki pixel yang berbeda. Oleh karena itu tahapan ini dilakukan untuk mengatur ukuran pixel pada citra yang diolah pada tahap testing. Resize diperlukan agar setiap data training dan testing memiliki ukuran dimensi dan rentang nilai yang sama.
Gambar 16 Citra Sebelum dan Sesudah Proses Resize.
2. Grayscale
Tahapan setelah dilakukan resize, yaitu melakukan proses grayscale.
Grayscale dilakukan untuk mengkonversi citra yang memiliki pemodelan warna RGB menjadi pemodelan grayscale.
Gambar 17 Konversi RGB Menjadi Grayscale
3.4. Perancangan Convolutional Neural Network
Metode yang dilakukan dalam penelitian ini untuk proses klasifikasi menggunakan perancangan Convolutional Neural Network. Untuk melakukan proses klasifikasi menggunakan CNN ada beberapa proses yang perlu dilakukan, berikut merupakan beberapa langkah-langkahnya:
1. Filter stride, padding, dan pool size
Filter yang akan digunakan adalah 6x6, untuk pool size yang digunakan adalah 2x2. Pada pengaturan stride dan padding akan di set secara default, yaitu menjadi 0 dan 1.
2. Fungsi aktivasi
Fungsi aktivasi digunakan untuk mendapatkan suatu output dari setiap layer dengan menghitung antara input, weight dan bias. Dalam penelitian ini menggunakan fungsi aktivasi ReLu yang terdapat pada convolutional layer.
3. Penetuan Epoch
Epoch merupakan jumlah literasi yang dipakai dalam mengulangi proses learning, semakin besar epoch yang digunakan maka akan menaikkan tingkat hasil proses learning. Jumlah epoch yang digunakan dalam penelitian ini adalah nilai epoch 10, 50, 100, 200, dan 350
3.5. Pengujian dan Pelatihan Model
Pada proses pengujian dan pelatihan model, tahap ini akan menentukan hasil pada data yang sudah selesai diproses menggunakan CNN. Proses testing atau pengujian biasanya menggunakan data uji yang banyak, dan setiap kelas jenis gambar retak beton sebanyak 40.000 citra. Setelah proses selesai maka dapat diambil suatu kesimpulan dengan pembuatan alat klasifikasi menggunakan CNN.
3.6. Akurasi Hasil
Akurasi hasil dilakukan untuk melihat uji keakuratan dan menunjukkan tingkat kebenaran dari hasil pengklasifikasian gambar retak beton dengan menggunakan algoritme Convolutional Neural Network. Hasil akurasi ini akan menunjukkan bahwa alat pemodelan yang digunakan dalam proses klasifikasi bekerja dengan baik, tahap ini menunjukan interpretasi hasil yang didapatkan dari seluruh pengolahan data dengan harapan akan mendapatkan kesimpulan dari seluruh objek yang diteliti menggunakan CNN.
BAB 4. LUARAN DAN TARGET CAPAIAN
Rencana target capaian dari penelitian ini sebagai disajikan pada Tabel 20 dibawah ini.
Tabel 20. Rencana Target Penelitian
NO Jenis Luaran Tahun 2021
1. Publikasi Ilmiah Internasional Submit
Nasional terakreditasi Tidak Ada
2. Pemakalah Dalam Temu Ilmiah Internasional Tidak ada
Nasional Terdaftar
3. Invited speaker dalam temu ilmiah
Internasional Tidak ada
Nasional Tidak ada
4. Visiting lecturer Internasional Tidak ada
5. Hak Kekayaan Intelektual (HKI)
Paten Tidak ada
Paten Sederhana Terdaftar
Hak Cipta Tidak ada
Merek Dagang Tidak ada
Rahasia Dagang Tidak ada
Desain Produk Industri Tidak ada Indikasi Gerografis Tidak ada Perlindungan Varietas
Tanaman Tidak ada
Perlindungan Topografi
Sirkuit Terpadu Tidak ada
6. Teknologi Tepat Guna Produk sistem
berbasis website
NO Jenis Luaran Tahun 2021
7. Model/Purwarupa/Desain/Karyaseni/
Rekayasa Sosial Tidak ada
8. Buku Ajar (ISBN) Tidak ada
9. Tingkat Kesiapan Teknologi (TKT) 5
BAB 5. RENCANA ANGGARAN BIAYA
Anggaran biaya yang diajukan pada Penelitian Terapan Universitas Lampung 2021.
Penentuan Grade Biji Kopi Robusta Dengan Menggunakan Analytical Hierarchy Process (Studi Kasus Pada Perkebunan Kopi Lereng Gunung Dempo Pagar Alam Sumatera Selatan). Adapun ringkasan anggaran biaya penelitian produk terapan sebagaimana disajikan pada Tabel 21.
Tabel 21. Ringkasan Anggaran Biaya yang Diajukan
No Jenis Pengeluaran Biaya yang diusulkan (Rp) 1 Pengadaan Alat dan Bahan Rp. 5.000.000
2 Travel Expendure Rp. 3.000.000
3 ATK/BHP Rp. 5.000.000
4 Laporan/Diseminasi/Publikasi Rp. 7.000.000
Jumlah Rp. 20.000.000
BAB 6. JADWAL
Jadwal kegiatan penelitian terapan analisis prediksi citra retak beton dengan CNN disajikan pada Tabel 22 dibawah ini.
Tabel 22. Jadwal Kegiatan No Jenis Kegiatan
Bulan ke
1 2 3 4 5 6
1. Pengumpulan Data dan pengolahn data Citra retak beton
2. Desain Model. Menentukan Node dan Layer
3. Implementasi Mode.
Membuat Struktur Hierarki 4. Coding dengan R
a). Arsitektur CNN
b). Setting Hidden Layer b). Fungsi Aktivasi 5. Cross validation
6. Pengujian dengan data test 7. Penulisan makalah untuk
dipublikasikan
DAFTAR PUSTAKA
Adi, P. (OKTOBER 2013). KAJIAN JENIS AGREGAT DAN PROPORSI CAMPURAN TERHADAP KUAT. Jurnal Teknik, Vol. 3 No. 2.
Agus Zainal Arifin, W. D. (2020). PENGGUNAAN ANALISA FAKTOR UNTUK KLASIFIKASI CITRA PENGINDERAAN JAUH MULTISPEKTRAL.
Jurnal Teknologi Informasi, Vol.1, No.1, Juli.
Akhmad Rohim, Y. A. (Juli 2019). Convolution Neural Network (CNN) Untuk Pengklasifikasian Citra Makanan Tradisional. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 3, No. 7, 7037-7042.
Andina Prima Putri, A. K. (2019). ANALISIS KUAT TEKAN BETON
MENGGUNAKAN SUBTITUSI BAHAN RAMAH. Jurnal Kajian Teknik Sipil Volume 3 Nomor 2.
Ari Peryanto, A. Y. (2020). Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation. Journal of Applied Informatics and Computing (JAIC), Vol. 4, No. 1, Juli, 45-51.
Aris Widodo, M. A. (2017). Analisis Kuat Tekan Beton Dengan Penambahan Serat Rooving Pada Beton. JURNAL TEKNIK SIPIL & PERENCANAAN, 115-120.
Billy, I. K. (2017). Implementasi Artificial Intelligence pada Game Defender of Metal City dengan Menggunakan Finite State Machine. JURNAL TEKNIK POMITS Vol. 6, No. 2 , 2337-3520.
Fangatulo Dodo Telaumbanua, P. H. (2018). Penggunaan Machine Learning Di Bidang Kesehatan. Jurnal Penelitian Teknik Informatika Universitas Prima Indonesia (UNPRI) Medan, Vol. 3, No. 1, Oktober.
Febian Fitra Maulana, N. R. (2019). Klasifikasi Citra Buah Menggunakan Convolutional Neural. JINACS (Journal of Informatics and Computer Science), Volume 01 Nomor 02,.
Fiany Fajar Puspita, T. B. (2018). ANALISIS RETAK LENTUR PADA BALOK BETON. Jurnal Teknik Sipil Universitas Syiah Kuala Volume 1 Special Issue, Nomor 4.
Fitri Muwardi, A. F. (2017). SISTEM PENGENALAN BUNGA BERBASIS. Jurnal Ilmu Teknik Elektro Komputer dan Informatika Vol. 3, No. 2, Desember.
Gusti Alfahmi Anwar, D. R. (2019). KLASIFIKASI CITRA GENUS PANTHERA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN). Jurnal Ilmiah Informatika Komputer Volume 24 No. 3.
Indra Fransiskus Alam, M. I. ( 2019). IMPLEMENTASI DEEP LEARNING
DENGAN METODE CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI OBJEK SECARA REAL TIME BERBASIS ANDROID.
semanTIK, Vol.5, No.2, Jul-Des, 237-244.
Isneini, M. (Desember 2009). KERUSAKAN DAN PERKUATAN STRUKTUR BETON BERTULANG. Jurnal Rekayasa Vol. 13 No. 3,.
Kasyfi Ivanedra, M. M. (2019). IMPLEMENTASI METODE RECURRENT NEURAL NETWORK PADA TEXT SUMMARIZATION DENGAN TEKNIK ABSTRAKTIF. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 6, No. 4, Agustus, 377-382.
Khairul Umam, B. S. (Desember 2016). Deteksi Obyek Manusia Pada Basis Data Video Menggunakan. Jurnal CoreIT, Vol.2, No.2.
Kurniati, A. Z. (2002). PENGGUNAAN ANALISA FAKTOR UNTUK KLASIFIKASI CITRA. Juti Volume 1, Nomor 1, Juli , 12-19.
Lei Zhang, F. Y. (2017). ROAD CRACK DETECTION USING DEEP
CONVOLUTIONAL NEURAL NETWORK. Department of Electrical and Computer Engineering, Temple University, Philadelphia, PA 19122, USA.
Linggasari, D. (2019). MEMPERKIRAKAN KEDALAM RETAK PADA BETON MENGGUNAKAN GELOMBANG ULTRASONIK. Jurnal Muara Sains, Teknologi, Kedokteran, dan Ilmu Kesehatan Vol. 3, No. 1.
M.Fadly Rahman, M. D. (2017). KLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN). Jurnal Informatika Vol.11.No.1, Januari.
Mercury Fluorida Fibrianda, A. B. (2018). Analisis Perbandingan Akurasi Deteksi Serangan Pada Jaringan Komputer Dengan Metode Naïve Bayes Dan Support Vector Machine (SVM). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol. 2, No. 9, September.
Muhammad Resa Arif Yudianto, K. H. (2020). ANALISIS PENGARUH TINGKAT AKURASI KLASIFIKASI CITRA WAYANG DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK. (Jurnal Teknologi Informasi) Vol.4, No.2, Desember, 2615-2738.
Mutiara Ayu Banjarsari, H. I. (2015). Penerapan K-Optimal Pada Algoritma Knn untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan IP Sampai Dengan Semester 4.
Kumpulan jurnaL Ilmu Komputer (KLIK), Vol. 2, No. 2, September.
Novelita Dwi Miranda, L. N. (2020). CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI SIDIK JARI MENGGUNAKAN RESNET-50. Jurnal Teknik Informatika (JUTIF), Vol. 1, No. 2, Desember.
Nur, A. M. (Januari 2010). GEMPA BUMI, TSUNAMI DAN MITIGASINYA. Vol 7 No. 1.
Pramestya, R. H. (2018). Deteksi dan Klasifikasi Kerusakan Jalan Aspal
Menggunakan Metode YOLO berbasis Citra Digital. Surabaya: Masters thesis, Sepuluh Nopember Institute of Technology.
Putri, A. R. (2016). PENGOLAHAN CITRA DENGAN MENGGUNAKAN WEB CAM PADA KENDARAAN BERGERAK DI JALAN RAYA. Jurnal Ilmiah Pendidikan Informatika Vol. 1, No.1, 1-6.
Reza Destiana Adyati, Y. N. (2019). KLASIFIKASI PROBABILISTIC NEURAL NETWORK (PNN) PADA DATA DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE (DBD) TAHUN 2018 . Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya .
Ridho Aji Pangestu, B. R. (2020). IMPLEMENTASI ALGORITMA CNN UNTUK KLASIFIKASI CITRA LAHAN DAN PERHITUNGAN LUAS. Jurnal Informatika dan Sistem Informasi (JIFoSI) Vol. 1, No. 1. Maret.
Rokhman, A. (2012). PENGARUH TERJADINYA FIRST CRACK TERHADAP LAJU PENINGKATAN MOMEN NEGATIF TUMPUAN PADA BALOK BETON. Jurnal Konstruksia, Vol. 4, No. 1, Desember .
Sarirotul Ilahiyah, A. N. (2018). Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network. JUSTINDO (Jurnal Sistem & Teknologi Informasi Indonesia), Vol.
3, No. 2, Agustus.
Sarirotul Ilahiyah, A. N. (Agustus 2018). Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan
Convolutional Neural Network. Jurnal Sistem & Teknologi Informasi Indonesia, Vol. 3, No. 2.
Sorguçb, Ç. Ö. (2018). Performance Comparison of Pretrained Convolutional Neural Networks on Crack Detection in Buildings. 35th International Symposium on Automation and Robotics in Construction (ISARC).
Widyastuti, W. (2017). Kinerja Deep Convolutional Network untuk Pengenalan Aksara Pallawa. Media Teknika Jurnal Teknologi, Vol. 12, No.2, Desember.
LAMPIRAN
Lampiran 1 : Justifikasi dan Anggaran Biaya 1. Pengadaan Alat dan Bahan
Material Justifikasi
Pemakaian Kuanti
tas Satu an
Harga Satuan (RP)
Biaya per Tahun (Rp)
Biaya Sewa Komputer + printer (1 unit)
Sebagai alat bantu proses pengolaha n data, pengemba ngansistem dan laporan
8 Bula
n 250,00
0 2,000,000
Rasberry Pi 4 (paket penuh)
Alataplikasi 1 Bula
n 1.000.0
00 1.000.000 Jetson NVIDIA 128 Core Sebagai
Alataplikasi 1 Bula
n 2.000.0
00 2.000.000
Total 5.000.000
2. Travel Expendure
Material Justifikasi
Pemakaian Kuantitas Satuan Harga Satuan (RP)
Biaya per Tahun (Rp)
Biaya Sewa kendaraan
Melakukan perjalanan untuk observasi
6 Hari 500,000 3.000.000
Material Justifikasi
Pemakaian Kuantitas Satuan Harga Satuan (RP)
Biaya per Tahun (Rp) danpengumpulan
data
Total 3.000.000
3. ATK/BHP
Material Justifikasi
Pemakaian Kuanti
tas Satu an
Harga Satuan (RP)
Biaya per Tahun (Rp)
Kertas HVS 80 gr sebagai bahan untuk proposal dan
laporan akhir 10 Rim 50,000 500,000
Kertas Foto sebagai bahan
untuk laporan 1 Rim 147,000 147,000
Tinta Printer Sebagai bahan untuk membuat
laporan 6 Bua
h 200,000 1,200,000 Flash Disk 128 Gb Sebagai bahan
penyimpanan data 3 Bua
h 170,000 510,000 Blocknote
Paperline Catatan masing2x 4 Bua
h 10,000.00 40,000 Stapler Max HD-
50 Staples dokumen 2 Bua
h 30,000.00 60,000 Lagban 1½ inchi Penjilidan 3 Rol 20,000.00 60,000
Pilot Hitec C Alat tulis 5 Bua
h 10,000.00 50,000 Spidol Whiteboard Alat tulis pada
presentasi 2 Kota
k 65,000.00 130,000 Map Plastik Menyimpan
dokumen 10 Bua
h 15,000.00 150,000 Akses Internet 20mgx4jam 80 Jam 15,000.00 1,200,000 Pembelian bahan
pustaka bahan referensi
penelitian 4 buku 250,000 1,000,000
Total
Material Justifikasi
Pemakaian Kuanti
tas Satu an
Harga Satuan (RP)
Biaya per Tahun (Rp) 5.000.000 4. Laporan/Diseminasi/Publikasi
Material Justifikasi Pemakaia
n
Kuantit
as Satua n
Harga Satuan
(RP)
Biaya per Tahun (Rp)
Penggandaan Proposal + Laporan Akhir
sebagai bahan untuk proposal danlaporan akhir
2 lapora
n 750,000 1,500,000
Jurnal internasional
Produk akhir berupa jurnal intenasio nal
1 paper 5,500,000 5,500,000
Total 7,000,000
Total Biaya
(I+II+III+IV) 20.000.000
