IDENTIFIKASI TINGKAT KERUSAKAN JALAN BERLUBANG MENGGUNAKAN PENGOLAHAN CITRA DIGITAL

Abstrak

Jalan raya merupakan infrastruktur vital yang menunjang kegiatan ekonomi dan mobilitas masyarakat. Namun, keberadaan jalan berlubang menjadi masalah serius yang mengancam keselamatan pengendara dan memerlukan biaya perawatan yang tinggi. Proses identifikasi kerusakan jalan secara manual sering kali tidak efisien, memakan waktu, dan membutuhkan tenaga yang besar. Oleh karena itu, penelitian ini bertujuan untuk merancang dan membangun sebuah sistem yang mampu mengidentifikasi serta mengklasifikasikan tingkat kerusakan jalan berlubang secara otomatis menggunakan metode deep learning. Penelitian ini mengimplementasikan algoritma You Only Look Once version 8 (YOLOv8) untuk mendeteksi dan mengelompokkan kerusakan ke dalam tiga kategori: rusak ringan, rusak sedang, dan rusak tinggi. Proses pelatihan model menggunakan total 200 citra data sekunder dan diuji menggunakan 99 citra data primer yang diambil langsung dari lapangan. Hasil penelitian menunjukkan bahwa model yang dikembangkan memiliki kinerja yang sangat baik, dengan pencapaian metrik mean Average Precision (mAP) pada ambang batas IoU 0.5 sebesar 90,6%. Pada tahap pengujian dengan data baru, sistem berhasil mencapai tingkat akurasi rata-rata sebesar 96% di semua kelas kerusakan. Hasil ini membuktikan bahwa metode YOLOv8 sangat efektif dan akurat untuk otomatisasi survei kondisi jalan, sehingga dapat menjadi solusi yang efisien untuk mendukung pemeliharaan infrastruktur jalan yang tepat waktu.

Highways are vital infrastructures that support economic activities and public mobility. However, the presence of potholes poses a serious problem that threatens driver safety and requires high maintenance costs. Manual identification of road damage is often inefficient, time-consuming, and labor-intensive. Therefore, this research aims to design and build a system capable of automatically identifying and classifying the severity of pothole damage using a deep learning method. This study implements the You Only Look Once version 8 (YOLOv8) algorithm to detect and categorize damage into three classes: light, medium, and high. The model training process utilized a total of 200 secondary data images and was tested using 99 primary data images captured directly from the field. The results show that the developed model performed excellently, achieving a mean Average Precision (mAP) metric at an IoU threshold of 0.5 of 90.6%. In the testing phase with new data, the system achieved an average accuracy rate of 96% across all damage classes. These results demonstrate that the YOLOv8 method is highly effective and accurate for automating road condition surveys, thus offering an efficient solution to support timely road infrastructure maintenance.