Implementasi YOLOv8 untuk Pendeteksian dan Pemetaan Titik Kerusakan Jalan Menggunakan Google Street View (Studi Kasus di Kelurahan Caturtunggal)
VALIANT ALFIANSYAH, Dr. Nur Mohammad Farda, S.Si., M.Cs.
2024 | Tugas Akhir | D4 SISTEM INFORMASI GEOGRAFIS
Jalan merupakan infrastruktur vital
bagi mobilitas masyarakat, namun kerusakan jalan dapat menghambat transportasi,
meningkatkan risiko kecelakaan, dan menyebabkan kerugian ekonomi. Metode survei
manual untuk mendeteksi kerusakan jalan memerlukan biaya dan waktu yang besar. Penelitian
ini memanfaatkan teknologi Object Detection YOLOv8 dari bidang Deep
Learning dan Computer Vision untuk mendeteksi dan
memetakan kerusakan jalan menggunakan foto Google Street View yang diharapkan dapat
meningkatkan efisiensi survei pemeliharaan jalan dengan menyediakan informasi persebaran
kerusakan jalan sebelum survei langsung dilakukan. Implementasi model pada foto
Street berhasil dilakukan menggunakan Google Colaboratory dengan input berupa
data spasial. Model YOLOv8m yang sudah dilatih menggunakan Dataset RDD
2022, mendapatkan akurasi mAP[0,5] dan F1 Score sebesar 61%. Uji
validasi dilakukan Swedish Test Set dari penelitian sebelumnya dan Test
Set di area kajian Kelurahan Caturtunggal mendapatkan akurasi F1 Score
sebesar 41?n 43%. Pemetaan dilakukan melalui peta interaktif Folium dengan
simbologi Cluster Marker yang memberikan informasi persebaran
titik kerusakan jalan yang berguna untuk menentukan prioritas survei dan
pemeliharaan jalan.
Roads are vital infrastructure For
community mobility. However, road damage can hinder transportation, increase
accident risks, and cause economic losses. Manual survey methods For detecting
road damage require significant time and cost. This study leverages YOLOv8 Object
Detection technology from the fields of Deep Learning and Computer Vision to
detect and map road damage using Google Street View images that expected to
improve the efficiency of road maintenance surveys by providing information on
the distribution of road damage before conducting direct surveys. The YOLOv8m
model, trained using the RDD 2022 Dataset, achieved an mAP[0.5] accuracy and an
F1 Score of 61%. Validation tests conducted using the Swedish Test Set from
previous research and the Test Set in the study area of Kelurahan Caturtunggal
yielded F1 Scores of 41% and 43%. Mapping was performed through an interactive
Folium map with Cluster Marker symbology, providing information on the
distribution of road damage points useful for determining survey and
maintenance priorities.
Kata Kunci : YOLOv8, Deteksi Kerusakan Jalan, Street View, RDD 2022