Paving block merupakan elemen penting dalam pembangunan infrastruktur, dan kualitasnya sangat mempengaruhi daya tahan serta estetika permukaan yang dibangun. Penggunaan limbah FABA (Fly Ash & Bottom Ash) sebagai bahan baku paving block dapat menjadi solusi berkelanjutan untuk mengurangi dampak lingkungan dari limbah industri. Namun, untuk memastikan bahwa paving block yang dihasilkan memenuhi standar kualitas, diperlukan metode evaluasi yang efektif. penggunaan Convolutional Neural Networks (CNN) untuk mengklasifikasikan kualitas paving block yang dibuat dari limbah FABA (Fly Ash & Bottom Ash). Dengan memanfaatkan teknik analisis citra, CNN dapat secara otomatis menilai kualitas paving block berdasarkan gambar skala abu-abu dari permukaannya. Model CNN yang digunakan adalah arsitektur InceptionV3, yang dilatih selama 30 epoch, menghasilkan akurasi klasifikasi sebesar 63%. Hasil ini menunjukkan bahwa CNN dapat secara efektif mengidentifikasi paving block yang memenuhi standar kualitas dan yang tidak, dengan memberikan penilaian yang konsisten dan objektif. Pendekatan ini tidak hanya menghemat waktu dan biaya dibandingkan metode evaluasi manual, tetapi juga meningkatkan keakuratan dan keandalan dalam kontrol kualitas. Penelitian ini menyoroti potensi CNN sebagai alat inovatif dalam evaluasi material berbasis limbah, mendukung praktik daur ulang yang lebih baik dalam industri konstruksi.

Paving blocks are an important element in infrastructure development, and their quality greatly affects the durability and aesthetics of the built surface. The use of FABA (Fly Ash & Bottom Ash) waste as a raw material for paving blocks can be a sustainable solution to reduce the environmental impact of industrial waste. However, to ensure that the resulting paving blocks meet quality standards, effective evaluation methods are required. the use of Convolutional Neural Networks (CNNs) to classify the quality of paving blocks made from FABA (Fly Ash & Bottom Ash) waste. By utilizing image analysis techniques, CNN can automatically assess the quality of paving blocks based on grayscale images of their surfaces. The CNN model used was the InceptionV3 architecture, which was trained over 30 epochs, resulting in a classification accuracy of 63%. These results show that CNN can effectively identify paving blocks that meet quality standards and those that do not, by providing consistent and objective assessments. This approach not only saves time and money compared to manual evaluation methods, but also improves accuracy and reliability in quality control. The study highlights the potential of CNNs as an innovative tool in waste-based material evaluation, supporting better recycling practices in the construction industry.