Ida Ayu A. Angreni1, Sakti Adji Adisasmita2, M. Isran Ramli3dan Sumarni Hamid4
1
Mahasiswa Program Doktor Teknik Sipil Universitas Hasanuddin
2, 3, 4
Staf Pengajar Fakultas Teknik Universitas Hasanuddin
1
email:idaayu@staff.gunadarma.ac.id, 2email:adjiadisamita@yahoo.com,
3
email:muhisran@yahoo.com, 4email:marni_hamidaly@yahoo.com
Abstrak
Melihat kelemahan dari metode penilaian kerusakan jalan secara visual, salah satunya hasil identifikasi
yang bisa bersifat subyektif, maka perlu dibuat suatu algoritma atau metode untuk mengidentifikasi jenis
kerusakan jalan. Langkah awal dari proses algoritma berupa pengambilan gambar dengan jenis kamera
digital, dihasilkan citra digital. Citra tersebut digunakan untuk pengolahan citra dengan software Matlab
untuk menentukan jenis kerusakan jalan secara tepat dan cepat. Pengolahan citra pada penelitian ini
meliputi dua tahap, yaitu proses ekstraksi dengan tahapan: wiener filtering dan thresholding, sedangkan
proses klasifikasi dengan metode KNN. Hasil yang diperoleh yaitu jenis kerusakan jalan yang dapat
diidentifikasi meliputi retak dan retak kulit buaya. Tujuan penelitian adalah berapa besar pengaruh nilai k
dari metode KNN terhadap tingkat akurasi jenis kerusakan retak dan retak kulit buaya. Ditemukan bahwa
dengan uji coba nilai k yang berbeda-beda, yaitu 1, 8, dan 15, menghasilkan tingkat akurasi yang berbeda
untuk tiap jenis kerusakan.
Kata kunci :Kerusakan Jalan, Pengolahan Citra, KNN, Tingkat Akurasi.
Abstract
Road cracks surveilance has a drawback of subjectivity in crack identification. Therefor, an algorithm or
method to automatically identify cracks is needed. First, we need to provide a digital image which can be
obtained using digital camera. Image processing were performed to the images using Matlab to
determine the type of crack with fast and accurate performance. In this research, image processing
consist of two phase, i. e. extraction (wiener filtering and thresholding), and classification (KNN method).
Results for crack and alligator cracks identification are obtained. The aim of this paper is to analyse the
significance of k value of KNN to the value of identification accuracy for those two types of crack. We
found that the value of k (we used 1, 8, and 15) is affecting the value of accuracy for each crack.
Keywords: Road Damage,Image Processing, KNN, Value of accuraty.
kerusakan tersebut semakin parah dan (Shuzhibiao and Guovanqing, 2013), sedangkan
mengakibatkan kapasitas jalan menjadi (A. Miradi dkk, 2007) memperoleh pola retak
berkurang. Diperlukan suatu cara untuk dari pelacakan linier perangkat (LINTRACK)
mendeteksi kerusakan jalan sebelum kerusakan dengan foto sehingga diperoleh panjang retak,
tersebut menjadi parah. Upaya tersebut dapat persentase dan daerah retak. Tahun 2010,
dilakukan dengan mengadakan pemeriksaan Zhaoyun menggunakan metode dengan
kondisi jalan secara periodik. algoritma gambar segmentasi awal untuk
Kondisi perkerasan suatu ruas jalan dapat menghitung luas dan panjang kerusakan atau
diketahui melalui analisa fungsional maupun cacat permukaan jalan. (Saar dkk, 2010)
analisa struktural . Analisa fungsional dilakukan melakukan penelitian dengan teknik pengolahan
melalui pemeriksaan kondisi jalan dengan dua citra untuk mengekstrak fitur dari gambar.
cara, mekanikal maupun visual. Secara garis Pendekatan Neural networks digunakan untuk
besar kerusakan dapat dibedakan menjadi dua mendeteksi daerah gambar dengan cacat. (Kelvin
bagian, yaitu kerusakan struktural, mencakup C. P dkk, 2007) melakukan deteksi tepi dalam
kegagalan perkerasan atau kerusakan dari satu proses untuk identifikasi dan klasifikasi retak.
atau lebih komponen perkerasan yang Peneliti lain (Shuzhibiao dkk, 2013),
mengakibatkan perkerasan tidak dapat lagi (Benedatto A dkk, 2005), (Timu Saaren Keto
menanggung beban lalu lintas; dan kerusakan dkk, 2000), (Ghada Mousa dkk, 2011) yang
fungsional yang mengakibatkan keamanan dan mempergunakan citra dalam hal melakukan
kenyamanan pengguna jalan menjadi terganggu evaluasi yang lebih detil dalam mendeteksi
sehingga biaya operasi kendaraan semakin keretakan perkerasan jalan. (Lou Jing dkk, 2010)
meningkat (Sulaksono, 2001). melakukan analisis dalam pengolahan citra
Pemeriksaan kondisi perkerasan jalan digital menggunakan interpolasi bilinear untuk
dengan menggunakan alat (mekanikal) terbentur mendapatkan gambar koreksi berdasarkan
pada masalah dana, karena harga alat-alat ambang segmentasi dengan analisa statistik .
tersebut cukup mahal dan untuk satu jenis alat Untuk melakukan identifikasi jenis
hanya mengukur satu kondisi tertentu saja, kerusakan jalan berdasarkan citra melalui proses
misalnya besar lenturnya, kekerasan permukaan ekstraksi dan klasifikasi. Algoritma K-Nearest
dan lain-lain. Metode pemeriksaan secara visual Neighbor (k-NN atau KNN) adalah sebuah
merupakan salah satu pemecahan yang baik, metode untuk melakukan klasifikasi terhadap
karena cukup praktis, sederhana dan efisien. objek berdasarkan data pembelajaran yang
Masalah yang muncul di dalam jaraknya paling dekat dengan objek tersebut.
menentukan kondisi perkerasan visual bersifat Tingkat akurasi suatu jenis kerusakan jalan
subjektif karena pemahaman mengenai jenis dengan metode KNN sangat dipengaruhi oleh
kerusakan jalan dapat berbeda sehingga hasil besaran nilai k. Nilai k menyatakan berapa
penilaian menjadi kurang akurat. Melihat banyak jumlah neighbor atau data yang terdekat
kelemahan dari metode penilaian kerusakan jalan dengan suatu objek. Jumlah neighbor yang
secara visual, perlu dibuat suatu algoritma atau berbeda tentu akan mempengaruhi hasil
metode untuk mendeteksi dan menentukan jenis klasifikasi terhadap satu objek.
kerusakan jalan secara cepat dan tepat Berdasarkan atas hal tersebut, penelitian
berdasarkan citra digital. Langkah awal dari ini bertujuan untuk mengetahui pengaruh nilai k
proses algoritma berupa pengambilan gambar dari metode KNN terhadap tingkat akurasi pada
dengan jenis kamera digital, sehingga dihasilkan identifikasi jenis kerusakan. Jenis kerusakan
citra digital untuk kemudian diproses dan akan jalan yang ditinjau adalah retak dan retak kulit
diperoleh jenis kerusakan jalan dari ruas jalan buaya.
tersebut.
Penelitian yang pernah dilakukan dalam hal
pengolahan citra digital untuk kerusakan retak
(Georgoulus, Loizos and Flouda, 1995).
Diperoleh pola retak pada permukaan perkerasan
64
Ida Ayu A. Angreni, Sakti Adji Adisasmita, M. Isran Ramli, dan Sumarni Hamid / Pengaruh Nilai K pada Metode
K-Nearest « 3S 63-70
65
Ida Ayu A. Angreni, Sakti Adji Adisasmita, M. Isran Ramli, dan Sumarni Hamid / Pengaruh Nilai K pada Metode
K-Nearest « 3S 63-70
66
Ida Ayu A. Angreni, Sakti Adji Adisasmita, M. Isran Ramli, dan Sumarni Hamid / Pengaruh Nilai K pada Metode
K-Nearest « 3S 63-70
a. Ekstraksi Citra
Langkah pertama yang dilakukan dalam
mengembangkan aplikasi ekstraksi citra
kerusakan jalan adalah mempelajari operasi
morfologi untuk ekstraksi citra kerusakan
aspal. Pada penelitian ini, operasi morfologi
yang digunakan adalah: Gambar 3. Diagram Alir Proses Ekstraksi
Citra
1. Wiener Filtering
Wiener Filtering (Gonzales, 2004) b. Klasifikasi Citra
adalah suatu metode untuk Proses klasifikasi citra kerusakan aspal
mengurangi derau (noise) yang digambarkan dalam bentuk diagram alur
didasarkan pada Mean Square Error. pada Gambar 4. Diagram alir tersebut
Metode Mean square menggunakan menjelaskan tahapan proses yang dilakukan
prinsip Least-Square yaitu membuat pada klasifikasi citra kerusakan jalan.
sekecil mungkin kesalahan antara
keluaran yang sebenarnya dan
keluaran yang diinginkan.
2. Thresholding
Thresholding adalah proses mengubah
citra berderajat keabuan menjadi citra
biner atau hitam putih sehingga dapat
diketahui daerah mana yang termasuk
obyek dan background dari citra
secara jelas. Citra hasil thresholding
biasanya digunakan lebih lanjut untuk
67
Ida Ayu A. Angreni, Sakti Adji Adisasmita, M. Isran Ramli, dan Sumarni Hamid / Pengaruh Nilai K pada Metode
K-Nearest « 3S 63-70
(a)
(b)
Gambar 5. (a) Citra digital yang akan diproses,
Gambar 4. Diagram Alir Proses Klasifikasi
(b) Citra biner hasil ekstraksi
Citra
Input yang digunakan adalah citra hasil Uji coba dilakukan untuk dua jenis
proses ekstraksi berupa citra biner. kerusakan, yaitu retak dan retak kulit buaya.
Klasifikasi dilakukan berdasarkan kesamaan Identifikasi dilakukan dengan nilai k yang
pola yang tampak dari citra biner tersebut. berbeda yaitu 1, 8, dan 15. Nilai akurasi dihitung
Sebagian dari citra biner akan digunakan berdasarkan:
sebagai data training, yaitu data acuan yang
digunakan untuk dihitung kesamaannya
dengan citra yang akan diidentifikasi. Untuk
masing-masing jenis kerusakan, 10 citra
dengan gambaran kerusakan yang paling a. Hasil Identifikasi Retak
jelas digunakan sebagai data training. 1) k = 1
Nilai k yang digunakan adalah 1 Dari 50 citra, 49 citra teridentifikasi
(nearest), 5, 8, dan 15. Angka ini dipilih sebagai citra dengan jenis kerusakan
berdasarkan uji coba yang dilakukan setelah retak, sementara 1 citra teridentifikasi
tahap training. sebagai lubang.
Maka, akurasi untuk k =1 adalah:
| 50 1 |
HASIL DAN PEMBAHASAN Akurasi(%) x100% 98%
50
Citra digital yang dijadikan input,
2) k = 8
terlihat pada Gambar 5(a), diproses sesuai
Dari 50 citra, dapat mengidentifikasi
dengan tahapan proses ekstraksi pada Gambar 3.
Dihasilkan sebuah citra biner seperti terlihat dengan benar 48 citra sebagai citra
pada Gambar 5(b). Untuk proses klasifikasi, dengan jenis kerusakan retak. Sementara
sebagian dari citra biner tersebut akan dijadikan 2 citra teridentifikasi sebagai lubang.
Maka, akurasi untuk k =8 adalah:
68
Ida Ayu A. Angreni, Sakti Adji Adisasmita, M. Isran Ramli, dan Sumarni Hamid / Pengaruh Nilai K pada Metode
K-Nearest « 3S 63-70
69
Ida Ayu A. Angreni, Sakti Adji Adisasmita, M. Isran Ramli, dan Sumarni Hamid / Pengaruh Nilai K pada Metode
K-Nearest « 3S 63-70
70