🕳️ Potholes CNN

Deteksi Jalan Berlubang dengan CNN
yang Ditulis dari Nol

Klasifikasi citra jalan berlubang vs jalan normal menggunakan arsitektur LeNet-5 yang seluruh intinya — konvolusi, pooling, ReLU, softmax, cross-entropy, dan backpropagation — diimplementasikan manual dengan NumPy, tanpa framework deep learning.

Akurasi uji 75,7% F1 75,5% Gradient check 10⁻⁹–10⁻¹¹ 712 citra · 32×32 grayscale

🔬 Demo Model Live

Unggah foto permukaan jalan, lalu model LeNet-5 (NumPy murni) akan memprediksinya secara langsung di server.

atau coba contoh:
Menunggu gambar…
🟢 normal–
🟠 pothole (berlubang)–
Model dilatih pada data & resolusi terbatas (32×32). Prediksi bersifat ilustratif untuk menunjukkan cara kerja CNN, bukan untuk penggunaan kritis.

📊 Hasil Pengujian

Metrik pada data uji (107 citra yang belum pernah dilihat model).

75,7%
Akurasi
78,4%
Presisi
72,7%
Recall

Confusion Matrix

confusion matrix

Kurva Pelatihan

kurva pelatihan

🧠 Arsitektur & Pergerakan Hidden Layer

Aliran dimensi data saat melewati tiap lapisan (rumus ukuran (W−N+2P)/S+1).

flowchart LR A["Input
1×32×32"] --> B["Conv1 6@5×5 + ReLU
6×28×28"] B --> C["MaxPool
6×14×14"] C --> D["Conv2 16@5×5 + ReLU
16×10×10"] D --> E["MaxPool
16×5×5"] E --> F["Flatten
400"] F --> G["FC-120"] G --> H["FC-84"] H --> I["Softmax
normal/pothole"]

Feature map — pothole

feature map pothole

Feature map — normal

feature map normal

📚 Dokumentasi Teknis

Diagram Mermaid memvisualkan aliran data & gradien antar hidden layer.

Ringkasan & Pipeline

Alur penelitian dari data hingga evaluasi.

Arsitektur LeNet-5

Aliran dimensi tiap lapisan + perhitungan.

Forward Pass

Aliran data maju antar hidden layer.

Backpropagation

Aliran gradien mundur (p − y).

Training Loop

Satu iterasi pelatihan (sequence diagram).

Struktur Kode

Class diagram modul cnn.

Kumpulan Formula

Forward & backward tiap lapisan.

📄 Makalah Lengkap

Makalah ilmiah ≥20 halaman (Bahasa Indonesia).