Akurasi computer vision YOLOv8 dan Mask R-CNN untuk pemantauan progres dan deteksi defek konstruksi gedung pemerintah daerah

Pemantauan proyek konstruksi gedung pemerintah daerah di Indonesia menghadapi tantangan serius akibat keterbatasan kapasitas pengawasan lapangan dan asimetri informasi antara kontraktor dan pengawas. Penelitian ini mengevaluasi akurasi dan ketangguhan dua algoritma computer vision berbasis deep learning, yaitu YOLOv8 dan Mask R-CNN, dalam mendeteksi progres konstruksi, mengidentifikasi defek kualitas, serta mengestimasi persentase penyelesaian pekerjaan pada proyek gedung pemerintah di lingkungan tropis negara berkembang. Dataset terdiri dari 200 citra situs konstruksi yang dianotasi dari proyek di Indonesia, Thailand, dan Filipina, dibagi dengan rasio 80:10:10 untuk pelatihan, validasi, dan pengujian. Hasil evaluasi menunjukkan YOLOv8 mencapai mAP 82% untuk deteksi objek lintas kategori struktural, MEP, dan peralatan; Mask R-CNN mencapai IoU 77% untuk segmentasi instans piksel-level; dan estimasi progres menghasilkan MAE rata-rata 8,5%. Deteksi defek (retak, spalling, korosi) mencapai presisi 79% dengan recall 74%. Kedua model melampaui threshold kelayakan operasional 75% yang ditetapkan dalam literatur, dengan elemen beton struktural mencapai akurasi tertinggi (>85% mAP) dan komponen kecil terendah (<70%). Temuan ini mengkonfirmasi kesiapan teknis computer vision sebagai komponen pengukuran progres yang akurat dan obyektif dalam kerangka model terintegrasi BIM-CrowdsourcingComputer
Vision untuk deteksi anomali proyek gedung pemerintah daerah