Perpustakaan Digital ITB

Sebagian besar sistem pemantauan kesehatan struktur jembatan melakukan pengolahan data secara manual. Pemantauan dilakukan hanya dalam jangka waktu tertentu, beberapa di antaranya dalam jangka waktu yang singkat, sehingga data historis tidak terhimpun dengan baik. Selain itu, belum adanya sistem peringatan dini untuk menginformasikan indikasi kerusakan. Untuk memberikan informasi kondisi jembatan, maka penelitian ini meningkatkan sistem yang ada dengan memanfaatkan fitur untuk deteksi kerusakan dan lokalisasi menggunakan pendekatan pembelajaran mesin yang diusulkan. Sistem memanfaatkan getaran jembatan yang diperoleh oleh simpul sensor nirkabel berbasis akselerometer. Data akselerasi jembatan yang dikumpulkan oleh simpul sensor nirkabel akselerometer ditransformasi menggunakan transformasi Fast Fourier Transform (FFT) untuk mendapatkan frekuensi dominan dan magnitudo yang sesuai sebagai fitur pembelajaran mesin. Pada penelitian ini dilakukan juga perbandingan dan pemilihan metode pembelajaran mesin yang cocok untuk deteksi dan lokalisasi kerusakan pada jembatan. Metode pembelajaran mesin yang digunakan yaitu metode klasifikasi Multilayer Perceptron (MLP) dengan optimizer Adam dan gradient descent, dan metode klasifikasi Support Vector Machine (SVM) dengan kernel linear dan Radial Basis Function (RBF). Hasil penelitian berhasil diuji di lingkungan jembatan uji, dimana metode SVM dengan kernel RBF memiliki performa terbaik dengan nilai akurasi 97% dan presisi 96%, tingkat recall 97%, dan f1-score 96% dalam hal mengklasifikasikan dan memprediksi deteksi kerusakan dan lokasi.