Analisis Deteksi Retak Multiskala pada Beton dengan CNN Berbasis Geometri  Fraktal

Sahrul Harahap; Erwina Azizah  Hasibuan; Afniria  Pakpahan

doi:10.31849/s3kzrj48

Authors

Sahrul Harahap Program Studi Teknik Sipil, Universitas Graha Nusantara, Padangsidimpuan, Indonesia
Erwina Azizah Hasibuan Program Studi Ilmu Komputer, Universitas Graha Nusantara, Padangsidimpuan, Indonesia
Afniria Pakpahan Program Studi Teknik Sipil, Universitas Graha Nusantara, Padangsidimpuan, Indonesia

DOI:

https://doi.org/10.31849/s3kzrj48

Keywords:

Beton, CNN, Geometri fraktal, Retak multiskala

Abstract

Struktur beton merupakan elemen kunci dalam konstruksi infrastruktur, namun rentan terhadap kerusakan seperti retak akibat beban dinamis, perubahan suhu, atau korosi tulangan. Deteksi retak dini sangat penting untuk mencegah kegagalan struktural, tetapi metode inspeksi konvensional memiliki keterbatasan dalam akurasi, kecepatan, dan kemampuan mendeteksi retak multiskala. Untuk mendeteksi retak multiskala pada beton maka dapat digunakan CNN berbasis geometri fraktal. Urgensi dalam penelitian yaitu deteksi retak pada beton masih menggunakan inspeksi visual atau sensor berbasis kontak, yang memiliki keterbatasan dalam akurasi, kecepatan, subjektif, dan kurang sensitif terhadap retak skala mikro. Tujuan penelitian adalah untuk mengetahui efektivitas geometri fractal dalam mendeteksi retak beton dalam berbagai skala. Metode penelitian menggunakan CNN Fraktal multiskala dalam mendeteksi retak pada beton. Hasil penelitian menunjukkan bahwa geometri fraktal memberikan kontribusi signifikan dalam karakterisasi pola retak beton. Dimensi fraktal yang berkisar 1,2-1,8 mencerminkan kompleksitas struktur retak yang berkorelasi kuat dengan tingkat kerusakan struktural (R² = 0,847). Integrasi parameter fraktal dengan CNN menghasilkan peningkatan akurasi sebesar 6,9% dibandingkan CNN standar.

References

Abrar, A. A., Halimatusadiyah, & Yanti, G. (2023). Damages and Repairs of Voided Concrete Precast Slab Bridge Girder. Siklus : Jurnal Teknik Sipil, 9(1), 57–65. https://doi.org/10.31849/siklus.v9i1.13070

Ali, L., Alnajjar, F., Jassmi, H. A., Gochoo, M., Khan, W., & Serhani, M. A. (2021). Performance Evaluation of Deep CNN-Based Crack Detection and Localization Techniques for Concrete Structures. Sensors, 21(5), 1–22. https://doi.org/10.3390/s21051688

Avendaño, J. C., & Leander, J. (2024). Image-Based Concrete Crack Detection Method Using the Median Absolute Deviation. Sensors, 24(9), 1-16. https://doi.org/10.3390/s24092736

Cha, Y. J., Choi, W., & Büyüköztürk, O. (2017). Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks. Computer-Aided Civil and Infrastructure Engineering, 32(5), 361–378. https://doi.org/10.1111/mice.12263

Hacıefendioğlu, K., Altunışık, A. C., & Abdioğlu, T. (2023). Deep Learning-Based Automated Detection of Cracks in Historical Masonry Structures. Buildings, 13(12). https://doi.org/10.3390/buildings13123113

Hassoun, M. N., & Al-Manaseer, A. (2020). Structural Concrete : Theory and Design - Seventh Edition. John Wiley & Sons. https://www.wiley-vch.de/en/areas-interest/engineering/structural-concrete-978-1-119-60511-9

Kompas. com. (2016). Sungai Citarum Meluap Jembatan Penghubung Cianjur-Bandung Barat Putus. https://regional.kompas.com/read/2016/11/12/12101691/sungai.citarum

Li, Z., Zhou, X., Ma, H., & Hou, D. T. A.-T. T.-. (2023). Advanced concrete technology (Second edi). John Wiley & Sons, Inc. https://mst.elsevierpure.com/en/publications/advanced-concrete-technology/

Muchtar, M., Sutoyo, M. N., Paliling, A., Sunyanti, S., & Lin, J. N. (2024). Penerapan Analisis Berbasis Fraktal Dalam Klasifikasi Citra Retakan Pada Permukaan Jembatan Beton. String (Satuan Tulisan Riset dan Inovasi Teknologi), 9(1), 21–29. http://dx.doi.org/10.30998/string.v9i1.20596

Padsumbiya, M., Brahmbhatt, V., & Thakkar, S. P. (2022). Automatic Crack Detection Using Convolutional Neural Network. Journal of Soft Computing in Civil Engineering Journal, 6(3), 1–17. https://doi.org/10.22115/scce.2022.325596.1397

Rajvaidya, B. (2025). Fractal Geometry, the Da Vinci of Mathematical Science. Recent Trends in Applied Physics and Material Science, CRC Press, United States. https://doi.org/https://doi.org/10.1201/9781003684718-83

Russel, N. S., & Selvaraj, A. (2024). MultiScaleCrackNet: A Parallel Multiscale Deep CNN Architecture for Concrete Crack Classification. Expert Systems with Applications, 249. https://doi.org/10.1016/j.eswa.2024.123658

Sun, L., Shang, Z., Xia, Y., Bhowmick, S., & Nagarajaiah, S. (2020). Review of Bridge Structural Health Monitoring Aided by Big Data and Artificial Intelligence: From Condition Assessment to Damage Detection. Journal of Structural Engineering, 146(5). https://doi.org/10.1061/(asce)st.1943-541x.0002535

Valii, S. A.., & Kumar, M. S, R. (2023). Review on the Mechanism and Mitigation of Cracks in Concrete. Applications in Engineering Science, 16, 1-9. https://doi.org/10.1016/j.apples.2023.100154

Wahyuningtyas, W. T., Pratama, Y. T., Krisnamurti, Suyoso, H., & Nurtanto, D. (2021). Pola, Modeling Balok, Retak Bertulang, Beton Lentur, Akibat Beban Lentur. Siklus: Jurnal Teknik Sipil, 7(1), 53–61. https://doi.org/10.31849/siklus.v7i1.5503

Widodo., I. G., Pranjoto, W. E., & Efendi, J. (2018). Law Liability of Construction. International Journal of Civil Engineering and Technology (IJCIET), 9(11), 2363–2371. https://iaeme.com/Home/article_id/IJCIET_09_11_236

Xu, N., & Liu, Y. 2021. Fractal-based Manifold Learning for Structure Health Monitoring. AIAA Scitech 2021 Forum. https://doi.org/doi:10.2514/6.2021-1167.