Klasifikasi Tingkat Kerusakan Aset Bangunan Berdasarkan Deteksi Retakan Menggunakan Convolutional Neural Network (CNN) dan Swin Transformer

Abstract

Kerusakan bangunan akibat retakan merupakan permasalahan serius yang memerlukan identifikasi dini untuk mencegah penurunan stabilitas struktur. Inspeksi konvensional dinilai kurang efisien dan rentan terhadap subjektivitas manusia. Penelitian ini mengusulkan komparasi dua model deep learning, yaitu Convolutional Neural Network (CNN) berbasis MobileNetV2 dan Swin Transformer untuk mengklasifikasikan tingkat kerusakan retakan bangunan secara otomatis. Dataset yang digunakan terdiri dari 3.000 citra retakan beton dari Kaggle yang dibagi ke dalam tiga kelas, yaitu hairline crack, small crack, dan moderate crack, masing-masing sebanyak 1.000 citra. Data diproses melalui tahapan resize ke 224×224 piksel, normalisasi, serta augmentasi meliputi rotasi, zoom, flip horizontal, dan penyesuaian kecerahan. Pelatihan dilakukan dengan tiga variasi rasio pembagian data (70:15:15, 80:10:10, 90:5:5). Hasil evaluasi dengan proporsi 90:5:5 pada keduanya menunjukkan bahwa model Swin Transformer mencapai akurasi tertinggi sebesar 98%, mengungguli MobileNetV2 yang memperoleh akurasi 93%. Penelitian ini mengonfirmasi bahwa pendekatan berbasis Transformer lebih unggul dalam menangkap hubungan global pada citra retakan dibandingkan CNN konvensional.