PENGEMBANGAN APLIKASI “ITERA-VISION-GPR-UI (ITERA VISION SYSTEM FOR GPR UTILITIES INFERENCE)” BERBASIS COMPUTER VISION DENGAN MODEL YOLOV12 UNTUK DETEKSI UTILITAS PADA METODE GROUND PENETRATING RADAR
DOI:
https://doi.org/10.22437/jop.v11i1.49883Keywords:
GPR, ITERA-VISION-GPR-UI, Computer vision, YOLOv12 , UtilitasAbstract
Permasalahan dalam interpretasi data Ground Penetrating Radar (GPR) adalah ketergantungan terhadap keahlian operator, waktu analisis yang lama, dan potensi subjektivitas hasil. Untuk mengatasi hal tersebut, penelitian ini mengimplementasikan teknologi computer vision menggunakan model YOLOv12 (You Only Look Once) yang mampu mendeteksi pola hiperbolik secara otomatis. Pengembangan aplikasi berbasis computer vision bernama “ITERA-VISION-GPR-UI (ITERA Vision System for GPR Utilities Inference)” dirancang untuk mendeteksi utilitas bawah permukaan menggunakan citra radargram dari metode GPR. Dataset penelitian terdiri dari 82 citra radargram yang telah melalui tahapan pre-processing dan labelling menggunakan Roboflow. Pelatihan model dilakukan pada Google Colaboratory menggunakan varian YOLOv12s dengan parameter utama epochs 500, optimizer AdamW, dan patience 100. Pada epoch ke-292, hasil evaluasi menunjukkan bahwa model mencapai nilai Precision sebesar 0,85, Recall 0,77, mAP@50 0,82, dan mAP@50–95 0,51 dengan akurasi keseluruhan 69%. Nilai-nilai tersebut membuktikan bahwa model memiliki performa yang cukup baik dalam mendeteksi utilitas bawah permukaan. Aplikasi yang dibangun kelak dapat membantu geophysicist dalam melakukan interpretasi citra radargram secara lebih efisien, cepat, dan akurat.
Downloads
References
Baker, G. S., Jordan, T. E., & Pardy, J. (2007). An introduction to ground penetrating radar (GPR). Special Paper of the Geological Society of America, 432, 1–18. https://doi.org/10.1130/2007.2432(01)
Bandyopadhyay Hmrishav. (2022, June 9). From self driving cars, through defect detection to medical imaging—here’s how computer vision is helping modern businesses to solve complex visual tasks. V7. Diakses pada 29 Januari 2025 https://www.v7labs.com/blog/what-is-computer-vision
Cheng, K. (2024). A Survey of Deep Learning-Based Object Detection. Advances in Engineering Technology Research, 11(1), 800. https://doi.org/10.56028/aetr.11.1.800.2024
Chicco, D., & Jurman, G. (2020). The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics, 21(1). https://doi.org/10.1186/s12864-019-6413-7
Dompeipen Tresya Anjali, Sompie Sherwin R.U.A, & Najoan Meicsy E.I. (2021). Computer Vision Implementation for Detection and Counting the Number of Humans. Jurnal Teknik Informatika, 15(4)(Vol. 16 No. 1 (2021): Jurnal Teknik Informatika), 1–12. https://doi.org/10.35793/jti.16.1.2021.31471
Hazreq bin Haron, A., Sarah binti Tengku Amran, T., Ridzuan Bin Ahmad, M., Azreen Masenwat, N., Sani, S., M., Ali bin Mohd Yusoff, M., & Aliff Daniel bin Mohsin, M. (2024). Subsurface utility detection using ground penetrating radar and electromagnetic locator – a comparative study. IOP Conference Series: Materials Science and Engineering, 1308(1), 012013.
https://doi.org/10.1088/1757899X/1308/1/012013
Liu, Z., Wu, W., Gu, X., Li, S., Wang, L., & Zhang, T. (2021). Application of Combining YOLO Models and 3D GPR Images in Road Detection and Maintenance. Remote Sensing, 13(6), 1081. https://doi.org/10.3390/rs13061081
Mahesya, A., Karya, H. A., Asri, S., Bagus, W., Christian, H., Fitri, S., Hardeka, W., Lia, P., Khairum, T., Ma’arif, S., Pratama, W., & Sialagan, F. (2011). MODUL EKSPLORASI ELEKTROMAGNETIK Teknik Geofisika 2011 UniversiTas LampUnG. https://www.academia.edu/39804469/Eksplorasi_elektromagnetik?auto=download
Rabbani Alif Mujadded Al, & Hussain, M. (2025). YOLOV12: A BREAKDOWN OF THE KEY ARCHITECTURAL FEATURES.
https://arxiv.org/html/2502.14740v1
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788. https://doi.org/10.1109/CVPR.2016.91
Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement.
Tian, Y., Ye, Q., & Doermann, D. (2025). YOLOv12: Attention-Centric Real-Time Object Detectors.
https://arxiv.org/abs/2502.12524v1
Umam, K., & Negara, B. S. (2016). Deteksi Obyek Manusia Pada Basis Data Video Menggunakan Metode Background Subtraction Dan Operasi Morfologi. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer Dan Teknologi Informasi, 2(2), 31. https://doi.org/10.24014/coreit.v2i2.2391
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Raka Putra Pratama Rumansah, Andri Yadi Paembonan, Putu Pradnya Andika
This work is licensed under a Creative Commons Attribution 4.0 International License.
