Disusun oleh :
1. Review Jurnal
Judul Jurnal : Analisa Tingkat kerusakan perkerasan Jalan Dengan Metode
Pavement Condition Index (PCI) Studi kasus : Jalan Soekarno
Hatta Sta,11+150
Penulis : Husni Mubarak
Pavement Condition Index (PCI) adalah perkiraan kondisi jalan dengan sistem
rating untuk menyatakan kondisi perkerasan yang sesungguhnya dengan data
yang dapat dipercaya dan obyektif. Metode PCI dikembangkan di Amerika oleh
U.S Army Corp of Engineers untuk perkerasan bandara, jalan raya dan area
parkir, karena dengan metode ini diperoleh data dan perkiraan kondisi yang
akurat sesuai dengan kondisi di lapangan. Tingkat PCI dituliskan dalam tingkat
0 - 100. Menurut Shahin (1994) kondisi perkerasan jalan dibagi dalam beberapa
tingkat seperti seperti table 2.1 berikut :
Langkah berikutnya adalah menghitung nilai PCI untuk tiap-tiap sampel unit dari
ruas-ruas jalan, berikut ini akan disajikan cara penentuan nilai PCI:
1. Mencari Presentase Kerusakan (Density)
Density adalah presentase luas kerusakan terhadap luas sampel unit
yang ditinjau, density diperoleh dengan cara membagi luas kerusakan
dengan luas sampel unit.
𝐴𝑑
Density = 𝐿𝑑 x 100%
3. Mencari Nilai q
Syarat untuk mencari nilai q adalah nilai deduct value lebih besar
dari 2 dengan menggunakan interasi. Nilai deduct value diurutkan dari yang
besar sampai yang kecil. Sebelumnya dilakukan pengecekan nilai deduct
value dengan rumus :
Jika semua nilai deduct value lebih besar dari nilai Mi maka
dilakukan pengurangan terhadap nilai deduct value dengan nilai Mi tapi jika
nilai deduct value lebih kecil dari nilai Mi maka tidak dilakukan
pengurangan terhadap nilai deduct value tersebut.
4. Mencari Nilai CDV
Nilai CDV dapat dicari setelah nilai q diketahui dengan cara
menjumlah nilai Deduct Value selanjutnya mengeplotkan jumlah deduct
value tadi pada grafik CDV sesuai dengan nilai q.
Setelah nilai PCI diketahui, selanjutnya dapat ditentukan rating dari sampel
unit yang ditinjau dengan mengeplotkan grafik. Sedang untuk menghitung
nilai PCI secara keseluruhan dalam satu ruas jalan dapat dihitung dengan
menggunakan rumus sebagai berikut :
PCIS = Nilai PCI dalam satu ruas jalan
PCIr = Nilai PCI rata-rata sampel unit dalam satu ruas jalan
PCIa = Nilai PCI rata-rata dalam sampel unit tambahan
N = Jumlah sampel unit yang di survey
A = Jumlah sampel unit tambahan yang di survey
Nilai PCI atau nilai kondisi perkerasan dihitung dengan mengurangkan nilai
100 dengan CDV maksimum. Rumus lengkapnya adalah sebagai berikut :
PCI = 100 – CDV PCI = 100 – 52
PCI = 48
Tabel 3. Nilai PCI Tiap Segmen dan PCI Rata-rata jalan Soekarno Hatta
Pekanbaru Sta. 11+150 s/d 12+150
Menurut (Sholichin & Utomo, 2018), Jalan mengalami kerusakan biasa nya
di sebabkan oleh kelebihan beban lalu lintas, suhu panas dari udara, air dan hujan,
serta kualitas aspal yang buruk sehingga menyebabkan jalan harus dipelihara
dengan baik agar sesuai dengan umur rencana dan dapat melayani pertumbuhan lalu
lintas yang semakin pesat.
Rata-rata presentase kerusakan jalan sidotopo berdasarkan jenis nya yaitu sebagai
berikut :
a) Alligator craking sebesar 32%
b) Lubang adalah 35%
c) Tepi distorsi adalah 33%
Pada metode Bina Marga (BM) ini jenis kerusakan yang perlu diperhatikan
saat melakukan survei visual adalah kekasaran permukaan, lubang, tambalan,
retak, alur, dan amblas. Penentuan nilai kondisi jalan dilakukan dengan
menjumlahkan setiap angka dan nilai untuk masing-masing keadaan kerusakan.
Perhitungan urutan prioritas (UP) kondisi jalan merupakan fungsi dari kelas
LHR (Lalu lintas Harian Rata-rata) dan nilai kondisi jalannya, yang secara
matematis dapat dituliskan sebagai berikut:
Untuk mendapatkan jumlah nilai kondisi jalan maka data diatas dimasukan
dalam tabel Penentuan Angka Kondisi menurut luasan kerusakan, tipe
kerusakan serta kedalam kerusakan. Perhitungan jumlah nilai kondisi jalan
tersaji dalam tabel berikut:
Tabel 6. Penentuan Angka Kondisi berdasarkan Jenis Kerusakan
Dengan jumlah sebesar 22 kemudian dimasukan ke tabel angka kerusakan
didapat nilai kondisi kerusakan sebesar 8.selanjutnya urutan prioritas didapat
dengan memasukan nilai LHR dan Nialai kondisi kerusakan jalan kedalam
rumus: UP = 17 – (Kelas LHR + Nilai Kondisi Jalan). UP= 17- (6+8) = 3, dari
hasil perhitungan Urutan Prioritas maka dapat disimpulkan bahwa Jalan
Danliris Blulukan-Tohudan STA 0+000-1+250 dimasukkan dalam program
peningkatan jalan.
Judul Jurnal : Road Damage Detection Using Deep Neural Networks with
Images Captured Through a Smartphone ( Mendeteksi
Kerusakan Jalan Menggunakan Jaringan Saraf Tiruan
dengan Gambar yang diambil dari Smartphone)
Penulis : Hiroya Maeda∗ , Yoshihide Sekimoto, Toshikazu Seto,
Takehiro Kashiyama, Hiroshi Omata.
Institusi asal : Universitas Tokyo, Tokyo, Jepang.
Sumber Jurnal :
https://scholar.google.co.id/scholar?hl=id&as_sdt=0%2C5
&q=Road+Damage+Detection+Using+Deep+Neural+Netw
orks+with+Images+Captured+Through+a+Smartphone&bt
nG=
Ringkasan Abstrak : Penelitian ini tentang mendeteksi kerusakan permukaan jalan
menggunakan Teknik pemrosesan melalui gambar yang telah diuji secara aktif,
sehingga mencapai akurasi yang tepat. Banyak penelitian yang hanya focus pada
deteksi ada tidaknya kerusakan, namun dalam kenyataannya pemerintah perlu
memperbaiki kerusakan tersebut dan memahami dengan jelas jenis kerusakan agar
dapat mengambil tindakan yang tepat. Penelitian ini memberikan tiga kontribusi
untuk mengatasi masalah yang pertama untuk menambah pengetahuan kita, yang
kedua waktu dan data riset kerusakan jalan dengan skala besar dapat disiapkan.
Data riset ini terdiri dari 9.053 gambar kerusakan jalan diambil dengan smartphone
yang terinstal pada mobil. Untuk menghasilkan riset ini, kami bekerja sama dengan
7 kota yang berada dijepang dan melakukan pengambilan gambar di jalan selama
kurang lebih 40 jam. Pada setiap gambar, diberi anotasi kotak pembatas yang
mewaikili lokasi dan jenis kerusakan. Selanjutkan dideteksi dengan objek canggih
menggunakan jaringan saraf convulational dan membandingkan akurasi dan
kecepatan runtime menggunakan server GPU dan smartphone. Hasil dari kerusakan
dapat terdeteksi dan diklasifikasikan kedalam delapan jenis kerusakan. Dari hasil
percobaan ini akan dikembangkan melalui aplikasi yang bisa digunakan untuk
umum.
Latar Belakang : Selama periode pertumbuhan ekonomi di Jepang yang
tinggi dari tahun 1954 hingga 1973, infrastruktur seperti jalan, jembatan dan
terowongan dibangun secara luas. Penemuan bagian infrastruktur yang sudah tua
dan terkena dampak harus dilakukan pemeriksaan, namun karena kurangnya teknisi
lapangan (ahli) dan sumber keuangan telah mengakibatkan kelalaian dalam inspeksi
terhadap bangunan/ infrastruktur yang sudah tua. Masalah inipun terjadi pada
Amerika Serikat. Masalah terhadap pemelihaaran dan manajemen infrastruktur
kemungkinan akan dialami oleh negara-negara diseluruh dunia. Terbukti dari
lalainya terhadap pemeliharaan dan pengelolaan infrastruktur, makan teknologi
yang canggih dan efisienpun sangat diperlukan dalam penanganan ini. Ada
beberapa studi menggunakan jaringan saraf untuk masalah masalah di bidang
ketektiksipilan dalam kurun waktu 11 tahun sejak 1989 hingga 2000 (Adeli, 2001)
baru-baru ini ada Teknik pembelajaran mesin yang telah berhasil diterapkan secara
otomatis untuk inspeksi permukaan jalan. Yaitu dengan cara menggambil gambar
dengan telfon pintar.