Klasifikasi Kualitas Permukaan Aspal Berbasis Fitur Tekstur GLCM: Studi Komparatif Neural Network dan Support Vector Machine pada Dataset Terbatas

Abstrak

Kualitas pengaspalan jalan raya merupakan salah satu faktor penting dalam mendukung keselamatan dan kenyamanan pengguna jalan serta efisiensi transportasi. Namun, proses evaluasi kondisi jalan masih banyak dilakukan secara manual, yang
cenderung subjektif, tidak konsisten, dan memerlukan waktu yang lama. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kualitas permukaan jalan berbasis pengolahan citra digital dengan memanfaatkan algoritma K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM). Dataset yang digunakan terdiri dari 20 citra permukaan aspal yang diklasifikasikan ke dalam beberapa kategori kualitas. Tahapan penelitian meliputi akuisisi citra, preprocessing, ekstraksi fitur
statistik dan tekstur menggunakan metode Gray Level Co-occurrence Matrix (GLCM), serta pelatihan dan pengujian model menggunakan kedua algoritma tersebut. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode KNN memperoleh tingkat akurasi sebesar 75%, sedangkan metode SVM memperoleh tingkat akurasi sebesar 87,5%. Hasil tersebut menunjukkan bahwa algoritma SVM memiliki performa yang lebih baik
dibandingkan KNN dalam mengklasifikasikan kualitas permukaan jalan berdasarkan citra tekstur aspal. Meskipun demikian, analisis lebih lanjut mengindikasikan adanya potensi overfitting akibat keterbatasan jumlah data dan distribusi dataset yang
belum sepenuhnya representatif. Kebaruan penelitian ini terletak pada penerapan pendekatan komparatif antara KNN dan SVM pada dataset skala kecil berbasis fitur citra tekstur aspal, serta analisis kritis terhadap validitas performa model dalam kondisi data terbatas. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem monitoring kualitas jalan berbasis kecerdasan buatan yang lebih akurat dan adaptif di masa depan