DETEKSI RETAK PADA STRUKTUR TANGGUL MENGGUNAKAN PENDEKATAN DEEP LEARNING BERBASIS OBJECT DETECTION DAN SEGMENTATION

research
  • 05 Mar
  • 2026

DETEKSI RETAK PADA STRUKTUR TANGGUL MENGGUNAKAN PENDEKATAN DEEP LEARNING BERBASIS OBJECT DETECTION DAN SEGMENTATION

Inspeksi visual tanggul secara manual memiliki kendala subjektivitas dan risiko
kesalahan deteksi pada area luas. Penelitian ini mengembangkan sistem deteksi
otomatis yang mengintegrasikan R-CNN dan FCN, serta menerapkan strategi
augmentasi dan patching untuk mengatasi keterbatasan data. Pendekatan ini terbukti
efektif mencegah overfitting dan meningkatkan generalisasi model secara signifikan.
Hasil pengujian model R-CNN mampu mengungguli metode konvensional sebagai
penapis awal dengan akurasi 90%, sementara FCN efektif dalam mengestimasi
morfologi dan luas area kerusakan 87%. Sinergi kedua model ini menghasilkan solusi
inspeksi infrastruktur yang komprehensif, akurat, dan objektif dalam memetakan
lokasi serta tingkat keparahan kerusakan.

Unduhan

 

REFERENSI

[1]      A. Muhari, “Enam Tanggul Jebol, 11 Kecamatan di Kabupaten Demak Terendam Banjir,” Badan Nasional Penanggulangan Bencana. [Online]. Available: https://bnpb.go.id/berita/enam-tanggul-jebol-11-kecamatan-di-kabupaten-demak-terendam-banjir

[2]      R. N. Taufiq Syarifudin, “Cerita Tanggul Jebol Bikin Banjir Bak Air Bah Terjang Mal Mega Bekasi,” detiknews.com, 2025, [Online]. Available: https://news.detik.com/berita/d-7809132/cerita-tanggul-jebol-bikin-banjir-bak-air-bah-terjang-mal-mega-bekasi

[3]      Ir. Ence Selamat Elsupandi and Dr.-Ing. Dina Rubiana Widarda, “Deteksi Kerusakan Pada Struktur Jembatan Integral Beton Bertulang Dengan Menggunakan Mode Shape Data Base Indicator (MSDBI),” J. Tek. Sipil, vol. 17, no. 4, pp. 233–243, 2024, doi: 10.24002/jts.v17i4.8621.

[4]      F. A. Riyadi, S. Linggasari, and H. Suharyadi, “Penentuan Tinggi Tanggul Penahan Banjir Berdasarkan Model Sejarah Tinggi Air Sungai dan Data Curah Hujan,” J. Teknol. Pertamb., vol. 8, no. 2, pp. 44–48, 2023, doi: 10.31315/jtp.v8i2.9155.

[5]      F. Marleny, Muhammad Fitriansyah, Sa’adah, Winda Astria Nuansa Saputri, Rudy Ansari, and Mambang, “Segmentasi Citra Keretakan Dinding Beton Menggunakan Teknik Perbandingan Evaluasi Metrik,” Tematik, vol. 10, no. 1, pp. 28–33, 2023, doi: 10.38204/tematik.v10i1.1261.

[6]      B. Sasmito, B. H. Setiadji, and R. Isnanto, “Deteksi Kerusakan Jalan Menggunakan Pengolahan Citra Deep Learning di Kota Semarang,” vol. 44, no. 1, pp. 7–14, 2023, doi: 10.14710/teknik.v44i1.51908.

[7]      D. Chen, Z. Zhu, J. Fu, and J. He, “Automatic Road Tunnel Crack Inspection Based on Crack Area Sensing and Multiscale Semantic Segmentation,” Comput. Mater. Contin., vol. 79, no. 1, pp. 1679–1703, 2024, doi: 10.32604/cmc.2024.049048.

[8]      A. Rizzoli, “The Ultimate Guide to Object Detection,” https://www-v7labs-com. [Online]. Available: https://www-v7labs-com.translate.goog/blog/object-detection-guide?_x_tr_sl=en&_x_tr_tl=id&_x_tr_hl=id&_x_tr_pto=imgs

[9]      S. Cano-Ortiz, E. Sainz-Ortiz, L. Lloret Iglesias, P. Martínez Ruiz del Árbol, and D. Castro-Fresno, “Enhancing pavement crack segmentation via semantic diffusion synthesis model for strategic road assessment,” Results Eng., vol. 23, no. June, 2024, doi: 10.1016/j.rineng.2024.102745.

[10]    D. Mwiti, “Image Segmentation: Architectures, Losses, Datasets, and Frameworks,” https://neptune-ai.translate.goog/. [Online]. Available: https://neptune-ai.translate.goog/blog/image-segmentation?_x_tr_sl=en&_x_tr_tl=id&_x_tr_hl=id&_x_tr_pto=imgs

[11]    Y. Yulianto and A. Wibowo, “Deteksi Keretakan Jalan Aspal Menggunakan Metode Convolutional Neural Network,” vol. 4, no. 2, pp. 581–594, 2023.

[12]    M. Zheng, Z. Lei, and K. Zhang, “Intelligent detection of building cracks based on deep learning,” Image Vis. Comput., vol. 103, 2020, doi: 10.1016/j.imavis.2020.103987.

[13]    S. Annotate, “Convolutional Neural Networks: 1998-2023 Overview,” https://www-superannotate-com. [Online]. Available: https://www-superannotate-com.translate.goog/blog/guide-to-convolutional-neural-networks?_x_tr_sl=en&_x_tr_tl=id&_x_tr_hl=id&_x_tr_pto=imgs

[14]    Vivek Amilkanthawar, “Choosing a Deep Learning Framework,” https://medium.com/. [Online]. Available: https://medium.com/in-pursuit-of-artificial-intelligence/choosing-a-deep-learning-framework-5669a85ebc3f

[15]    Posted by the TensorFlow Team, “What’s coming in TensorFlow 2.0,” https://blog.tensorflow.org/. [Online]. Available: https://blog.tensorflow.org/2019/01/whats-coming-in-tensorflow-2-0.html

[16]    NVIDIA, “PyTorch,” https://www.nvidia.com. [Online]. Available: https://www.nvidia.com/en-us/glossary/pytorch/

[17]    M. Muchtar et al., “Penerapan analisis berbasis fraktal dalam klasifikasi citra retakan pada permukaan jembatan beton,” vol. 9, no. 1, pp. 21–29, 2024.

[18]    F. Asriani, G. Pamudji, H. Susilawati, and F. T. Anggoro, “Aplikasi Convolutional Neural Networks (CNN) Untuk Klasifikasi Retakan Beton,” Din. Rekayasa, vol. 19, no. 1, 2023, doi: 10.20884/1.dr.2023.19.1.1468.

[19]    Ricky Putra Sardika and W. Widhiarso, “Klasifikasi Otomatis Tingkat Kerusakan Retak Bangunan pada Citra Digital Menggunakan MobileNetV2 dan Augmentasi Data,” Arcitech J. Comput. Sci. Artif. Intell., vol. 5, no. 1, pp. 108–124, 2025, doi: 10.29240/arcitech.v5i1.13938.

[20]    P. A. Rosyady, F. F. Rahani, and A. R. C. Baswara, “Amarto (Damaged Road Detector): Purwarupa Sistem Deteksi Dan Analisator Kerusakan Jalan Raya Kota Yogyakarta Berbasis Citra Digital Dan GPS,” J. Jarlit, vol. 17, no. 1, 2022, doi: 10.70154/jid.v17i1.10.

[21]    A. A. Ananta, N. Umar, Indriyanti, and M. Agusalim, “Analisis Perencanaan Tanggul Pengaman Banjir Sungai Tallo Kelurahan Tello Baru Kecamatan Panakukang,” Arus J. Sains dan Teknol., vol. 2, no. 1, pp. 35–42, 2024, doi: 10.57250/ajst.v2i1.335.

[22]    N. W. Sanwa, A. P. Hendrawan, and R. Asmaranto, “Aplikasi Stability Chart untuk Idealisasi Desain Tanggul Kali Lamong di Kabupaten Gresik, Provinsi Jawa Timur,” J. Teknol. dan Rekayasa Sumber Daya Air, vol. 2, no. 1, 2022, doi: 10.21776/ub.jtresda.2022.002.01.43.

[23]    P. N. Hadinata, D. Simanta, and L. Eddy, “Deep Convolutional Neural Network untuk Mendeteksi Retak pada Permukaan Beton yang Memiliki Void,” J. Sustain. Constr., vol. 1, no. 1, pp. 45–55, 2021, doi: 10.26593/josc.v1i1.5151.

[24]    D. Amelia, T. Asisah, I. Santya, T. Kusmita, and Y. Widyaningrum, “Identifikasi Ketidakstabilan Tanggul Waduk Desa Kemuja Kabupaten Bangka Menggunakan Metode Self-Potential (SP),” J. Online Phys., vol. 9, no. 2, pp. 23–29, 2024, doi: 10.22437/jop.v9i2.8266.

[25]    A. R. Burhanudin and B. A. Bakar, “Kajian Dan Analisa Terhadap Kerusakan Bangunan Tanggul Waduk Akibat Endapan Pengaruh Sedimentasi (Studi Kasus Waduk Darma),” Sist. Infrastruktur Tek. Sipil, vol. 2, no. 1, 2022, doi: 10.32897/simteks.v2i1.1533.

[26]    R. Rosadi, I. Rabbani, and B. A. Bakar, “Kajian Kerusakan Tanggul Sungai Cicadas Akibat Fluktuasi Tekanan Aliran Air Banjir,” Sist. Infrastruktur Tek. Sipil, vol. 1, no. 1, 2021, doi: 10.32897/simteks.v1i1.800.

[27]    A. Wibowo and E. Setiyadi, “Klasifikasi Dan Deteksi Keretakan Pada Trotoar Menggunakan Metode Convolutional Neural Network,” J. Tek. Sipil Cendekia, vol. 4, no. 1, 2023, doi: 10.51988/jtsc.v4i1.116.

[28]    İ. Akgül, “Mobile-DenseNet: Detection of building concrete surface cracks using a new fusion technique based on deep learning,” Heliyon, vol. 9, no. 10, 2023, doi: 10.1016/j.heliyon.2023.e21097.

[29]    M. A. R. Yuslena Sari, Mangkurat Andreyan Rizky Baskara, Puguh Budi Prakoso, “Penerapan Active Contour Model Pada Pengolahan Citra Untuk Deteksi Kerusakan Jalan,” Jalan dan Jemb., vol. 38, no. 2, pp. 134–142, 2021.

[30]    Fatma Nurkhaerani, Cahya Suryadi, and Amalia Rizka Sugiarto, “Pengaruh Bendungan Leuwikeris dan Tanggul dalam Mereduksi Banjir di Kota Banjar,” J. Tek. Sipil dan Lingkung., vol. 8, no. 03, 2023, doi: 10.29244/jsil.8.03.223-232.

[31]    M. A. Hidayat and N. Rasidi, “Project Planning Pembangunan Jalan Tol Dan Tanggul Laut Semarang–Demak STA 0+ 000–8+ 550,” J. Online Skripsi Manaj. Rekayasa Konstr. Polinema, vol. 3, 2022.

[32]    S. Dhiya Ayuni and S. Syahrorini, “Strategi Mitigasi Bencana Tanggul Lapindo Di Desa Gempolsari,” J. Teknol. dan Terap. Bisnis, vol. 4, no. 1, pp. 8–11, 2021.

[33]    N. Bong, Oki Setyandito, and Andrew John Pierre, “Studi Karakteristik Limpasan Gelombang Overtopping pada Struktur Tanggul Laut,” J. Tek. Sumber Daya Air, 2022, doi: 10.56860/jtsda.v2i2.44.

[34]    A. N. Fenny Suhendara, Aprizalb, “Studi luas genangan banjir pada suatu das yang memiliki bangunan tanggul (study kasus das way pisang),” J. Proy. Tek. Sipil, vol. 6, no. 1, 2023, doi: 10.14710/potensi.2023.17095.

[35]    H. H. Chu et al., “Deep Learning Method to Detect the Road Cracks and Potholes for Smart Cities,” Comput. Mater. Contin., vol. 75, no. 1, 2023, doi: 10.32604/cmc.2023.035287.

[36]    X. Song, J. Qin, Q. Ren, and J. Zheng, “IGAN: A collaborative filtering model based on Improved Generative Adversarial Networks for recommendation,” Eng. Appl. Artif. Intell., vol. 124, 2023, doi: 10.1016/j.engappai.2023.106569.

[37]    S. J. Wu, C. T. Hsu, J. C. Shen, and C. H. Chang, “Modeling the 2D Inundation Simulation Based on the ANN-Derived Model with Real-Time Measurements at Roadside IoT Sensors,” Water (Switzerland), vol. 14, no. 14, 2022, doi: 10.3390/w14142189.

[38]    H. C. Reis, V. Turk, S. Karacur, and A. M. Kurt, “Integration of a CNN-based model and ensemble learning for detecting post-earthquake road cracks with deep features,” Structures, vol. 62, 2024, doi: 10.1016/j.istruc.2024.106179.

Cari

Bidang Ilmu

Kategori

Kiriman Terbaru