Deteksi Kerusakan Beton Bertulang Jangka Panjang via IoT dan Model Machine Learning

Penelitian ini menyajikan pengembangan dan implementasi sistem terintegrasi yang menggabungkan sensor Internet of Things (IoT) dan algoritma XGBoost untuk memprediksi kerusakan pada struktur beton bertulang di bawah kondisi iklim tropis. Sistem ini diterapkan pada struktur prototipe yang dilengkapi sensor suhu, kelembapan, regangan, dan getaran, dengan pengumpulan data selama 60 hari. Dengan menggunakan pembelajaran mesin terawasi, model XGBoost mencapai tingkat akurasi tinggi (93,2%) dalam mengklasifikasikan kondisi struktur ke dalam kategori aman, rentan, dan rusak. Pemantauan real-time memungkinkan deteksi anomali secara dini, dengan rata-rata waktu respons sistem sebesar 3,4 detik, yang secara signifikan lebih cepat dibandingkan inspeksi manual. Temuan ini menunjukkan bahwa pendekatan tersebut memberikan solusi pemeliharaan prediktif yang layak untuk infrastruktur di lingkungan dengan kelembapan tinggi dan variasi suhu yang signifikan. Meskipun sistem menunjukkan kinerja yang efektif pada skala prototipe, pengujian lebih lanjut pada struktur skala penuh masih diperlukan untuk memvalidasi ketahanannya dan memperluas cakupan deteksi. Penelitian ini berkontribusi pada pengembangan