Cara Pengukuran Kerusakan

Metode PCI (2007)

Metode PCI (Pavement Condition Index) atau Pavement Condition Index adalah
suatu metode penilaian kerusakan jalan yang digunakan untuk menentukan nilai
kondisi lapisan permukaan pada suatu ruas jalan yang besarnya dipengaruhi oleh
kondisi permukaan perkerasan yang disebabkan oleh kerusakan yang
diakibatkan oleh kerusakan tersebut. terjadi. Berikut hal-hal yang dilakukan
dalam penilaian kerusakan jalan menurut metode PCI :
1. Menentukan tingkat kerusakan perkerasan jalan berdasarkan jenis
kerusakannya
2.Tentukan kepadatan kerusakan
3.Temukan nilai pengurangan (DV), nilai pengurangan total (TDV), nilai
pengurangan yang dikoreksi (CDV)
4.Menghitung nilai kondisi perkerasan untuk setiap jenis kerusakan dan nilai
rata-rata kondisi perkerasan.
 Road Condition Survey

Metode Bina Marga (2011)

Menurut Bina Marga (2011) berdasarkan hasil survey
visual tersebut masing masing jenis kerusakan jalan
dibarikan nilai sesuai dengan persyaratan nilai kondisi
jalan metode Road Condition Survey (RCS) dengan
menentukan nilai Surface Distress Index (SDI).
Studi Literatur

Penelitian Terkait Kerusakan Jalan

Menurut Hasibuan dkk (2019), hubungan empiris antara nilai IRI dan PCI pada beberapa ruas jalan
nasional. Nilai IRI menggunakan alat Roughometer III seperti tampak pada Gambar 1.

Gambar 1. Hubungan Nilai PCI dan IRI Gambar 2. Komponen Alat Roughometer III
 Gambar 5. Nilai SDI Segmen Jalan

Penilaian Kerusakan Jalan di Indonesia Dengan Hawkeye

Manurung A.E. dkk (2015), melakukan penelitian untuk
menentukan nilai Surface Distress Index (SDI) dengan
menggunakan data pengukuran alat Hawkeye Bina Marga
seperti tampak pada Gambar 3.

Hasil Analisa: Pada perhitungan SDI metode RCS dan perhitungan besaran
nilai IRI diperoleh nlai relatif sama. Faktor keseragaman IRI lebih efektif dan
efisien dibandingkan yang dilakukan berdasarkan metode Bina Marga
(Pedoman SKJ nomor SMD-03/RCS);
2. Dalam analisis sensitivitas nilai SDI diperoleh nilai rata-rata SDI pada
perhitungan berdasarkan kedua metode RCS dan IRI adalah relatif sama.
Interval unit tiap 100 meter berdasarkan pedoman RCS lebih disarankan
Gambar 3. Alat Hawkeye Bina Marga
Pemakaian Image Sensor
Salah satu metode pendeteksian objek menggunakan kamera
yang paling banyak digunakan saat ini adalah menggunakan
machine learning. Pembelajaran mesin yang digunakan di
sini adalah Convolution Neural Network. (CNN) yang
merupakan salah satu algoritma Deep Learning. Jika
divisualisasikan, CNN sendiri dapat dilihat sebagai sebuah
jaringan, yang dapat dibuat dengan input berupa gambar dan
memiliki berbagai lapisan. Pada masing-masing lapisan
tersebut, citra masukan akan menghasilkan pola (fitur) yang
nantinya akan lebih mudah untuk diklasifikasikan. Saat ini Operasi Max Pooling
penggunaan CNN memberikan hasil yang baik dalam
pengenalan (Putra dkk., 2019)
Gambar 5. Proses Konvulasi pada CNN
Pemakaian Image Sensor
Aparna dkk (2019) melakukan penelitian terkait sistem deteksi lubang
menggunakan basis CNN dengan model ResNet memiliki akurasi hingga 97,08.
Model ResNet disusun berdasarkan data pencitraan termal untuk jenis kerusakan
lubang.
Pemakaian Image Sensor
• Menurut penelitian Hoang (2018), CNN merupakan salah satu jenis Deep Neural Network yang
umum digunakan untuk menganalisis suatu citra, namun kelemahan dari metode ini adalah kebutuhan
daya komputasi yang besar. Penilitian ini menginisiasi model kecerdasan buatan untuk pendeteksian
lubang dimana pada penelitian ini model Neural Network (NN) dilatih menggunakan dua algoritma
machine learning, antara lain least squares support vector machine (LS-SVM) dan artificial neural
network (ANN) . Akurasi 89% menggunakan algoritma LS-SVM dan 86% menggunakan JST
• Menurut penelitian JUAN C. et.al (2021) dengan konsep survei portabel dan real-time, diperlukan
perangkat yang cukup kecil untuk dibawa kemana-mana namun memiliki daya komputasi yang
dibutuhkan. Oleh karena itu digunakan kombinasi Raspberry Pi dan Coral USB Accelerator Raspberry
yang merupakan System on a Module (SoM) yang merupakan salah satu modul komputasi yang
paling sering digunakan di bidang robotika dan kecerdasan buatan. Karena ukurannya yang kecil dan
konsumsi daya yang rendah, maka Raspberry Pi sering digunakan untuk machine learning pada
embedded system.
Module Image Sensor
Proses Kalibrasi