Klasifikasi Kualitas Jalan Menggunakan ResNet50V2 Berbasis Deep Learning
Demo & Pengujian Sistem: Klasifikasi Kualitas Jalan Menggunakan ResNet50V2 Berbasis Deep Learning
Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Klasifikasi Kualitas Jalan Menggunakan ResNet50V2 Berbasis Deep Learning via TikTok.
Overview & Cara Kerja
ROADCVIZ merupakan platform visi komputer (Computer Vision) dan kecerdasan buatan berbasis Deep Learning Transfer Learning ResNet50V2 yang dirancang untuk mengidentifikasi jenis perkerasan serta tingkat kualitas dan kerusakan jalan raya secara otomatis, objektif, dan real-time. Sistem ini dilatih pada dataset komprehensif berskala 4.694 citra terverifikasi yang terbagi ke dalam 7 kelas kondisi perkerasan jalan: Aspal Baik, Aspal Sedang, Aspal Rusak, Paving Sedang, Paving Rusak, Jalan Tanah/Kerikil Sedang, dan Jalan Tanah/Kerikil Rusak, menghasilkan tingkat akurasi pengujian mencapai 97.02% dengan Test Loss 0.0738 serta waktu inferensi sangat cepat (kurang dari 200 ms).
Fitur Utama Project
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
4,694 Images Ingestion & 80:10:10 Stratified Partitioning
Ingesti 4.694 citra permukaan jalan 7 kelas kondisi, audit integritas berkas (zero corrupt images), dan partisi terstrata bebas bocor: 3.755 data latih, 469 data validasi, dan 470 data uji murni.
224x224 RGB Normalization & Multi-Scale Data Augmentation
Penyeragaman resolusi citra ke 224x224 piksel, normalisasi nilai piksel (rescale 1/255.0), serta pengayaan data latih dengan rotasi, shear, zoom, pergeseran translasi, flip horizontal, dan rentang kecerahan adaptif (0.4 - 1.5).
ResNet50V2 Backbone & Custom GAP-Dropout Head Classifier
Pemanfaatan backbone ResNet50V2 ImageNet dengan residual connections dan pre-activation (bobot dibekukan), dipadukan dengan GlobalAveragePooling2D, Dense 128 (ReLU), Dropout 0.5, dan Dense 7 (Softmax).
Adam Optimizer, Early Stopping & 97.02% Test Accuracy
Pelatihan model menggunakan pengoptimal Adam (lr=0.001), loss categorical cross-entropy, dan callback EarlyStopping (patience=5) yang memulihkan bobot terbaik epoch 28 (val_accuracy 98.08%), menghasilkan akurasi uji 97.02%.
Flask 3.0 Web App, Laser Scan UI & Civil Engineering Decision Support
Deployment SavedModel ke aplikasi web interaktif Flask 3.0 bertema ROADCVIZ, dilengkapi upload drag-and-drop, 7 sampel uji langsung, gauge probabilitas kelas, latensi inferensi (<200 ms), dan rekomendasi perbaikan jalan standar PUPR.
Struktur Berkas & Repositori
Hierarki folder dan berkas yang disertakan dalam paket proyek ini:
Dokumentasi Teknis
Tersedia dokumentasi teknis komprehensif untuk project ini:
Kebutuhan Sistem & Spesifikasi
Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:
Cross-platform compatible
Lingkungan kerja teruji
Optimal untuk running service
Untuk berkas & dependensi
Pertanyaan yang Sering Diajukan (FAQ)
Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:
Bagaimana cara mendapatkan source code setelah pembayaran?
Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.
Apakah ada panduan instalasi dan dokumentasi teknis?
Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.
Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?
Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.
Bagaimana jika saya mengalami kendala teknis saat instalasi?
Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.
Ulasan Pembeli
Ulasan terverifikasi dari pengguna yang telah membeli project ini.
Belum ada ulasan untuk project ini.
Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.
Yang Anda Dapatkan:
- Full Source Code Lengkap & Aset Project
- Teknologi: Python, Flask, TensorFlow, HTML
- Panduan Instalasi & Konfigurasi Lingkungan
- Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
- Hak Lisensi Tugas Akhir, Skripsi & Komersial
- Akses Unduhan Berkas ZIP & Code Explorer Langsung