Deteksi dan Klasifikasi Kerusakan Pada Jalan Aspal Berbasis Citra Menggunakan Metode YOLO

Abstract

Kerusakan jalan aspal, khususnya retak buaya, merupakan permasalahan yang dapat menurunkan kenyamanan dan keselamatan pengguna jalan sehingga diperlukan sistem deteksi dan klasifikasi yang cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dan klasifikasi kerusakan jalan aspal berbasis deep learning dengan mengintegrasikan metode You Only Look Once (YOLO) sebagai pendeteksi retakan dan Convolutional Neural Network (CNN) sebagai pengklasifikasi tingkat keparahan kerusakan. Model YOLOv12n digunakan untuk mendeteksi area retakan pada permukaan jalan, sedangkan model CNN dengan arsitektur ResNet50 digunakan untuk mengklasifikasikan kerusakan ke dalam tiga kelas, yaitu ringan, sedang, dan berat. Evaluasi kinerja model YOLO dilakukan menggunakan metrik mAP50, sementara evaluasi model CNN menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model YOLOv12n mampu mencapai nilai mAP50 sebesar 90,08% dan mampu mendeteksi retakan secara stabil, termasuk pada pengujian realtime. Model CNN ResNet50 menghasilkan akurasi sebesar 95,24% dengan performa yang seimbang pada seluruh kelas kerusakan. Kedua model kemudian diintegrasikan ke dalam aplikasi berbasis antarmuka yang mampu menampilkan hasil deteksi dan klasifikasi secara realtime melalui webcam dengan tampilan yang responsif dan stabil. Berdasarkan hasil penelitian, sistem yang dikembangkan terbukti mampu melakukan deteksi dan klasifikasi kerusakan jalan aspal secara efektif dan berpotensi digunakan sebagai alat bantu inspeksi jalan secara otomatis dan realtime.