Deteksi Anomali Permukaan Jalan Berdasarkan Data Sensor Gerak Smartphone Menggunakan Metode Bidirectional Long Short-Term Memory
Kata Kunci:
anomali permukaan jalan, Bi-LSTM, akselerometer, giroskopAbstrak
Jalan merupakan infrastruktur penting untuk mobilitas dan pemerataan pembangunan. Namun, banyak jalan di Indonesia mengalami kerusakan akibat volume lalu lintas yang tinggi, dengan sekitar 32% dalam kondisi tidak layak. Permukaan jalan yang rusak dapat memengaruhi keselamatan berkendara dan menjadi salah satu penyebab kecelakaan lalu lintas. Pemantauan dan pemeliharaan kondisi jalan sangat penting untuk mendeteksi anomali seperti lubang atau gundukan yang dapat mengganggu kenyamanan dan keselamatan berkendara. Metode berbasis getaran menggunakan sensor gerak pada smartphone seperti akselerometer dan giroskop bisa digunakan untuk menghemat biaya dan dapat menggantikan kendaraan patroli khusus. Penelitian ini akan menggunakan metode Bidirectional Long Short-Term Memory (Bi-LSTM) untuk mendeteksi kondisi permukaan jalan berdasarkan data sensor gerak dari smartphone. Hasil penelitian menunjukkan bahwa model Bi-LSTM mampu mengidentifikasi anomali permukaan jalan dengan akurasi yang tinggi. Evaluasi model menggunakan metrik akurasi, precision, recall, dan F1-score menunjukkan bahwa model bekerja lebih baik pada data yang seimbang dibandingkan data yang tidak seimbang. Model dengan kombinasi parameter terbaik mencapai akurasi 0,95 pada data uji, dengan precision, recall, dan F1-score yang tinggi dan seimbang untuk semua kelas. Pengujian K-Fold Cross-Validation menunjukkan konsistensi kinerja model dengan rata-rata akurasi pengujian sebesar 0,95.
Referensi
A. Sirait, R. B., Syafaruddin, A. S., & Sulandari, E. (2017). Analisa Kondisi Kerusakan Jalan Raya pada Lapisan Permukaan (Studi Kasus: Jalan Raya Desa Kapur, Desa Kapur, Kecamatan Sungai Raya, Kabupaten Kubu Raya, Provinsi Kalimantan Barat). Jurnal Mahasiswa Teknik Sipil Universitas Tanjungpura, 4(4).
Alruban, A., Alobaidi, H., Clarke, N., & Li, F. (2019). Physical Activity Recognition by Utilising Smartphone Sensor Signals. Proceedings of the 8th International Conference on Pattern Recognition Applications and Methods, 342–351. https://doi.org/10.5220/0007271903420351
Ashfaq, F., Ghoniem, R. M., Jhanjhi, N. Z., Khan, N. A., & Algarni, A. D. (2023). Using Dual Attention BiLSTM to Predict Vehicle Lane Changing Maneuvers on Highway Dataset. Systems, 11(4), 196. https://doi.org/10.3390/systems11040196
Ballı, S., Sağbaş, E. A., & Peker, M. (2019). A Mobile Solution Based on Soft Computing for Fall Detection (pp. 275–294). https://doi.org/10.1007/978-3-319-93491-4_14
Dong, D., & Li, Z. (2021). Smartphone Sensing of Road Surface Condition and Defect Detection. Sensors (Basel, Switzerland), 21(16), 5433. https://doi.org/10.3390/s21165433
Huang, E. J., Yan, K., & Onnela, J.-P. (2022). Smartphone-Based Activity Recognition Using Multistream Movelets Combining Accelerometer and Gyroscope Data. Sensors, 22(7), 2618. https://doi.org/10.3390/s22072618
Ihianle, I. K., Nwajana, A. O., Ebenuwa, S. H., Otuka, R. I., Owa, K., & Orisatoki, M. O. (2020). A Deep Learning Approach for Human Activities Recognition From Multimodal Sensing Devices. IEEE Access, 8, 179028–179038. https://doi.org/10.1109/ACCESS.2020.3027979
Kim, Y.-M., Kim, Y.-G., Son, S.-Y., Lim, S.-Y., Choi, B.-Y., & Choi, D.-H. (2022). Review of Recent Automated Pothole-Detection Methods. Applied Sciences, 12(11), 5320. https://doi.org/10.3390/app12115320
Martinez-Ríos, E. A., Bustamante-Bello, M. R., & Arce-Sáenz, L. A. (2022). A Review of Road Surface Anomaly Detection and Classification Systems Based on Vibration-Based Techniques. Applied Sciences, 12(19), 9413. https://doi.org/10.3390/app12199413
Mulia, A. W., Ruslianto, I., & Midyanti, D. M. (2023). Klasifikasi Kerusakan Jalan pada Citra Jalan Raya Pontianak dan Sekitarnya dengan menggunakan Convolutional Neural Network. Coding Jurnal Komputer Dan Aplikasi, 11(1), 11. https://doi.org/10.26418/coding.v11i1.57905
Sattar, S., Li, S., & Chapman, M. (2018). Road Surface Monitoring Using Smartphone Sensors: A Review. Sensors, 18(11), 3845. https://doi.org/10.3390/s18113845
Setiawan, B. D., Kovacs, M., Serdült, U., & Kryssanov, V. (2022). Semantic Segmentation on Smartphone Motion Sensor Data for Road Surface Monitoring. Procedia Computer Science, 204, 346–353. https://doi.org/10.1016/j.procs.2022.08.042
Wu, C., Wang, Z., Hu, S., Lepine, J., Na, X., Ainalis, D., & Stettler, M. (2020). An Automated Machine-Learning Approach for Road Pothole Detection Using Smartphone Sensor Data. Sensors, 20(19), 5564. https://doi.org/10.3390/s20195564
A. Sirait, R. B., Syafaruddin, A. S., & Sulandari, E. (2017). Analisa Kondisi Kerusakan Jalan Raya pada Lapisan Permukaan (Studi Kasus: Jalan Raya Desa Kapur, Desa Kapur, Kecamatan Sungai Raya, Kabupaten Kubu Raya, Provinsi Kalimantan Barat). Jurnal Mahasiswa Teknik Sipil Universitas Tanjungpura, 4(4).
Alruban, A., Alobaidi, H., Clarke, N., & Li, F. (2019). Physical Activity Recognition by Utilising Smartphone Sensor Signals. Proceedings of the 8th International Conference on Pattern Recognition Applications and Methods, 342–351. https://doi.org/10.5220/0007271903420351
Ashfaq, F., Ghoniem, R. M., Jhanjhi, N. Z., Khan, N. A., & Algarni, A. D. (2023). Using Dual Attention BiLSTM to Predict Vehicle Lane Changing Maneuvers on Highway Dataset. Systems, 11(4), 196. https://doi.org/10.3390/systems11040196
Ballı, S., Sağbaş, E. A., & Peker, M. (2019). A Mobile Solution Based on Soft Computing for Fall Detection (pp. 275–294). https://doi.org/10.1007/978-3-319-93491-4_14
Dong, D., & Li, Z. (2021). Smartphone Sensing of Road Surface Condition and Defect Detection. Sensors (Basel, Switzerland), 21(16), 5433. https://doi.org/10.3390/s21165433
Huang, E. J., Yan, K., & Onnela, J.-P. (2022). Smartphone-Based Activity Recognition Using Multistream Movelets Combining Accelerometer and Gyroscope Data. Sensors, 22(7), 2618. https://doi.org/10.3390/s22072618
Ihianle, I. K., Nwajana, A. O., Ebenuwa, S. H., Otuka, R. I., Owa, K., & Orisatoki, M. O. (2020). A Deep Learning Approach for Human Activities Recognition From Multimodal Sensing Devices. IEEE Access, 8, 179028–179038. https://doi.org/10.1109/ACCESS.2020.3027979
Kim, Y.-M., Kim, Y.-G., Son, S.-Y., Lim, S.-Y., Choi, B.-Y., & Choi, D.-H. (2022). Review of Recent Automated Pothole-Detection Methods. Applied Sciences, 12(11), 5320. https://doi.org/10.3390/app12115320
Martinez-Ríos, E. A., Bustamante-Bello, M. R., & Arce-Sáenz, L. A. (2022). A Review of Road Surface Anomaly Detection and Classification Systems Based on Vibration-Based Techniques. Applied Sciences, 12(19), 9413. https://doi.org/10.3390/app12199413
Mulia, A. W., Ruslianto, I., & Midyanti, D. M. (2023). Klasifikasi Kerusakan Jalan pada Citra Jalan Raya Pontianak dan Sekitarnya dengan menggunakan Convolutional Neural Network. Coding Jurnal Komputer Dan Aplikasi, 11(1), 11. https://doi.org/10.26418/coding.v11i1.57905
Sattar, S., Li, S., & Chapman, M. (2018). Road Surface Monitoring Using Smartphone Sensors: A Review. Sensors, 18(11), 3845. https://doi.org/10.3390/s18113845
Setiawan, B. D., Kovacs, M., Serdült, U., & Kryssanov, V. (2022). Semantic Segmentation on Smartphone Motion Sensor Data for Road Surface Monitoring. Procedia Computer Science, 204, 346–353. https://doi.org/10.1016/j.procs.2022.08.042
Wu, C., Wang, Z., Hu, S., Lepine, J., Na, X., Ainalis, D., & Stettler, M. (2020). An Automated Machine-Learning Approach for Road Pothole Detection Using Smartphone Sensor Data. Sensors, 20(19), 5564. https://doi.org/10.3390/s20195564
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
