Smart Embbeded System for Detecting and Mapping Road Surface Anomalies with Integrated Vision and Positioning Sensors

Laksamana Nuaval Effendi, Ika Candradewi. S.Si., M.Cs

2025 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Kerusakan infrastruktur jalan seperti lubang dan retakan menimbulkan risiko serius terhadap keselamatan pengguna jalan serta meningkatkan beban biaya perawatan kendaraan. Di Indonesia, permasalahan ini masih sering ditangani melalui inspeksi manual yang tidak efisien dan rawan kesalahan, sehingga dibutuhkan sistem otomatis yang andal dan real-time. Penelitian ini mengembangkan sistem deteksi kerusakan jalan berbasis model deteksi objek YOLOv9 yang mampu mengidentifikasi kerusakan seperti lubang dan retakan dari input video secara langsung, serta mencatat koordinat geografis secara otomatis menggunakan sensor GPS. Model dilatih menggunakan dataset Road Damage Indonesia dan diimplementasikan pada perangkat NVIDIA Jetson Orin Nano dengan format TensorRT untuk mendukung inferensi berkecepatan tinggi dan latensi rendah. Sistem ini mampu menampilkan hasil deteksi secara real-time dengan menyisipkan kotak deteksi dan data GPS ke dalam video, serta menyimpan video beranotasi dan peta lokasi kerusakan. Evaluasi menunjukkan bahwa model mencapai performa tinggi dengan nilai Average Precision sebesar 0,81, Precision 0,93, Recall 0,91, dan F1 Score 0,92, dengan kecepatan rata-rata 25 FPS dan latensi di bawah 35 milidetik. Hasil ini menunjukkan bahwa metode yang diusulkan efektif dan layak diterapkan untuk pemantauan kondisi jalan secara otomatis dan real-time.

Road infrastructure damage, such as potholes and cracks, poses serious risks to traffic safety and increases vehicle maintenance costs. In Indonesia, this issue is often addressed through manual inspections that are time-consuming and prone to human error, highlighting the need for an automated and real-time monitoring system. This study develops a real-time road defect detection system based on the YOLOv9 object detection model, designed to identify defects like potholes and cracks from live video input while automatically recording their geographical coordinates using a GPS sensor. The model was trained using the Road Damage Indonesia dataset and implemented on an NVIDIA Jetson Orin Nano device using the TensorRT format to support high-speed inference with low latency. The system is capable of displaying real-time detection results by overlaying bounding boxes and GPS data onto the video, and saving the annotated video along with location maps. Evaluation results show that the model achieves high detection performance with an Average Precision of 0.81, Precision of 0.93, Recall of 0.91, and an F1 Score of 0.92, while maintaining an average speed of 25 FPS and latency below 35 milliseconds. These results demonstrate that the proposed method is effective and suitable for real-time road condition monitoring applications.

Kata Kunci : YOLOv9, road defect detection, real-time object detection, GPS integration, TensorRT, Jetson Orin Nano.