Analisis Deteksi Kerusakan pada Jalan Aspal menggunakan Deep Learning untuk Mendukung Efisiensi Biaya dan Waktu dalam Pemantauan Berkelanjutan

Abstract

Deteksi dini kerusakan jalan, seperti retakan dan deformasi lainnya, sangat penting karena berfungsi sebagai indikator
awal keausan, kerusakan, atau masalah struktural yang mendasari yang dapat membahayakan keselamatan dan daya tahan
infrastruktur jalan. Penelitian ini bertujuan untuk mengembangkan sistem inspeksi otomatis berbasis pembelajaran mendalam
(deep learning) dan pemrosesan citra untuk mendeteksi dan mengklasifikasikan kerusakan jalan secara efektif. Dalam proyek ini,
kami menggunakan model pembelajaran mendalam dengan CNN (Convolutional Neural Networks) dan arsitektur ResNet untuk
mempelajari fitur intrinsik kerusakan permukaan jalan melalui gambar, yang kemudian digunakan untuk klasifikasi otomatis ke
dalam kelas rusak/tidak rusak atau deformasi permukaan. Model YOLO ini menggunakan metode pembelajaran transfer dari
data global dan untuk data jalan nasional yang ada di Indonesia. Tidak seperti pendekatan konvensional, penelitian ini
menerapkan model YOLO (You Only Look Once) untuk mendeteksi dan mengklasifikasikan kerusakan jalan secara real-time,
memungkinkan deteksi langsung pada berbagai permukaan jalan. Dengan kemampuan YOLO dalam deteksi objek yang cepat
dan efisien, sistem ini dapat digunakan dalam inspeksi infrastruktur jalan secara rutin dan pemantauan kondisi jalan secara
berkelanjutan. Pendekatan ini telah dievaluasi menggunakan dataset kerusakan jalan yang tersedia di jalan nasional di Palembang,
Sumatera Selatan, Indonesia, dan hasil evaluasi menunjukkan bahwa model YOLO tidak hanya mendeteksi kerusakan jalan
dengan akurasi tinggi, tetapi juga menunjukkan kecepatan deteksi yang unggul dibandingkan dengan metode tradisional. Hasil
penelitian ini menunjukkan potensi signifikan penggunaan YOLO untuk inspeksi jalan otomatis, membantu mengidentifikasi dan
menangani kerusakan dini serta mendukung upaya pemeliharaan dan keselamatan jalan.