Analisis Perbandingan Model U-Net dan SegNet dalam Pemrosesan Citra Keretakan Bangunan Berbasis Deep Learning

Abstract

Kerusakan berupa keretakan pada dinding bangunan merupakan indikator awal penurunan kualitas struktur yang perlu dideteksi secara akurat dan efisien. Proses inspeksi visual manual memiliki keterbatasan dari sisi subjektivitas, waktu, dan konsistensi, sehingga diperlukan pendekatan otomatis berbasis pengolahan citra. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi keretakan dinding berbasis deep learning menggunakan arsitektur U-Net dan SegNet, serta menganalisis pengaruh variasi kondisi permukaan dinding dan pencahayaan terhadap kinerja kedua model. Metode yang digunakan meliputi pelatihan model segmentasi citra pada dataset keretakan dinding, evaluasi performa menggunakan metrik IoU, Accuracy, Precision, Recall, dan F1-Score, serta implementasi model ke dalam aplikasi berbasis Graphical User Interface (GUI) untuk pengujian secara interaktif. Hasil penelitian menunjukkan bahwa U-Net memiliki kualitas segmentasi yang lebih presisi dengan nilai IoU dan F1-Score yang lebih tinggi, khususnya pada permukaan dinding bercat dan deteksi keretakan kecil, sedangkan SegNet lebih unggul dari sisi efisiensi komputasi dengan waktu inferensi yang lebih cepat. Variasi permukaan dinding dan pencahayaan terbukti berpengaruh signifikan terhadap performa model, di mana dinding tanpa cat dan pencahayaan redup menyebabkan penurunan kinerja segmentasi. Secara keseluruhan, penelitian ini menegaskan adanya trade-off antara akurasi dan kecepatan, serta menunjukkan bahwa pemilihan model perlu disesuaikan dengan kebutuhan aplikasi deteksi kerusakan bangunan di lapangan.