Implementasi Deep Learning Untuk Deteksi dan Pemetaan Titik Kerusakan Jalan Menggunakan Citra Digital

Ferry Ferdyansyah, Dr. Nur Mohammad Farda, S.Si., M.Cs

2025 | Tugas Akhir | D4 SISTEM INFORMASI GEOGRAFIS

Penelitian ini mengembangkan sistem deteksi kerusakan jalan berbasis computer vision menggunakan model You Only Look Once version 11 (YOLO11). Sistem dirancang untuk mengidentifikasi empat jenis kerusakan jalan, yaitu longitudinal crack, transverse crack, alligator crack, dan pothole. Dataset yang digunakan berasal dari gabungan Sekilab Road Damage Dataset dan citra lapangan dengan informasi GPS. Model dilatih dalam tiga tahap (50, 75, dan 100 epochs) menggunakan GPU NVIDIA P100. Hasil terbaik diperoleh pada pelatihan 75 epochs dengan precision 0,561, recall 0,517, mAP@0.5 0,561, dan mAP@0.5–0.95 0,262. Kelas alligator crack paling mudah dideteksi karena pola retakannya jelas, sedangkan transverse crack paling sulit akibat kemiripan dengan bayangan objek jalan. Secara keseluruhan, model YOLO11 mampu mendeteksi kerusakan jalan dengan akurasi yang baik dan berpotensi diterapkan untuk pemantauan kondisi jalan berbasis citra lapangan secara otomatis.

This study develops a road  damage detection system using computer vision and the You Only Look Once version 11 (YOLO11) model. The system identifies four road damage types: longitudinal crack, transverse crack, alligator crack, and pothole. The dataset combines the Sekilab Road Damage Dataset with field images containing GPS information. The model was trained for 50, 75, and 100 epochs using an NVIDIA P100 GPU. The best performance was achieved at 75 epochs with precision of 0.561, recall of 0.517, mAP@0.5 of 0.561, and mAP@0.5–0.95 of 0.262. The alligator crack class was the easiest to detect, while the transverse crack was the most challenging due to shadow interference. Overall, YOLO11 effectively detects road surface damage with good accuracy and has potential for automated, image-based road condition monitoring

Kata Kunci : YOLO11, Deteksi Kerusakan Jalan, GPS, Computer Vision