Optimalisasi Inspeksi Kegagalan: Pengembangan Unmanned Aerial Vehicles Terintegrasi Shallow CNN Architecture dan IoT Sebagai Pendeteksi Dini Kegagalan Struktur

Abstract

Structural failures in buildings and infrastructure are a serious and frequent issue. Failure to detectstructural damage early can lead to the collapse of buildings or infrastructure, resulting in loss of lifeand material damage. In Indonesia, structural failures in construction accidents accounted for 32% ofwork-related accidents in 2019. Conventional inspection methods still have significant limitations,such as beingtime-consuming and restricted toeasily accessible areas. Additionally,modern AI- integratedinspection methods require optimization for better implementation. To address these challenges, anoptimized structural failure inspection system was designed, utilizing Unmanned Aerial Vehicles(UAVs) integrated with Shallow CNN Architecture and IoT. A dataset containing 40,000 images wasused, and the OLeNet (Optimized LeNet) model as the Shallow CNN Architecture achieved anaccuracy of 99.8%. Moreover, OLeNet showed advantages in computational time, outperformingsimilar deep learning methods. The UAV implementation addresses the issue of limited accessibility toinspection areas, while the IoT integration allows for real-time data storage, offering a more efficient andscalable solution.

Abstrak
Kecelakaan yang disebabkan oleh kegagalan struktural pada bangunan daninfrastruktur merupakan masalah serius yang masih sering terjadi. Kegagalanstruktural yang tidak terdeteksi pada tahap awal dapat menyebabkan keruntuhanbangunan atau infrastruktur lainnya, yang berujung pada hilangnya nyawa sertakerugian material. Di Indonesia, kecelakaan akibat kegagalan struktur juga menjadi isupenting. Pada tahun 2019, sektor konstruksi mencatatkan angka kecelakaan sebesar32% dari total kecelakaan kerja disebabkan oleh kegagalan struktur bangunan.Metode inspeksi konvensional masih memiliki sejumlah kelemahan, seperti memakanwaktu yang lama serta terbatas pada area yang mudah dijangkau. Di samping itu, inspeksimodern yang terintegrasi dengan AI masih memerlukan optimalisasi dalamimplementasinya. Berdasarkan permasalahan tersebut, dirancang optimalisasi inspeksikegagalan struktur berbasis Unmanned Aerial Vehicles (UAV) yang terintegrasi denganShallow CNN Architecture dan IoT. Dalam hal ini, digunakan dataset open sourcedengan entry 40.000 gambar. Model OLeNet (Optimized LeNet) sebagai ShallowCNN Architecture menunjukkan akurasi hingga 99,8%. Selain itu, OLeNetmenunjukkan keunggulan dalam penggunaan waktu komputasi yang lebih singkatdibandingkan metode deep learning sejenis. Implementasi model pada UAVmengatasi permasalahan keterbatasan area yang dapat dijangkau, ditambah integrasiIoT yang mampu menyimpan data secara real-time.