Sistem Inventarisasi Kerusakan Perkerasan Jalan Deep Learning Dengan Arsitektur Convolutional Neural Network (CNN) YOLOv8

Mahmud; Intan Anuggrah Yuandi; Andi Ahdan Amir; Muh Asep Sulaiman; Alya Putri Humera

doi:10.51454/decode.v6i1.1511

Authors

Mahmud Teknik Sipil Universitas Nahdlatul Ulama Sulawesi Tenggara
Intan Anuggrah Yuandi Teknik Informatika Universitas Nahdlatul Ulama Sulawesi Tenggara
Andi Ahdan Amir Teknik Sipil Universitas Nahdlatul Ulama Sulawesi Tenggara
Muh Asep Sulaiman Teknik Sipil Universitas Nahdlatul Ulama Sulawesi Tenggara
Alya Putri Humera Teknik Informatika Universitas Nahdlatul Ulama Sulawesi Tenggara

DOI:

https://doi.org/10.51454/decode.v6i1.1511

Keywords:

CNN, Deep Learning, Inventarisasi Kerusakan Jalan, Kerusakan Perkerasan, YOLOv8

Abstract

Proses survei dan inventarisasi kerusakan jalan konvensional saat ini memerlukan biaya tinggi, durasi pengerjaan yang lama, dan risiko keselamatan bagi petugas. Penelitian ini bertujuan untuk merancang sistem inventarisasi kerusakan perkerasan jalan otomatis menggunakan arsitektur Deep Learning YOLOv8 yang diintegrasikan dengan kerangka penilaian Pavement Condition Index (PCI). Metodologi penelitian meliputi akuisisi dataset gabungan Road Damage Dataset (RDD2022) dan data lokal (2.272 objek), pra-pemrosesan melalui augmentasi mosaik, serta pelatihan model menggunakan teknik transfer learning. Secara fungsional, sistem yang dikembangkan terbukti berjalan sesuai rancangan pada menu deteksi citra dan video. Hasil evaluasi menunjukkan akurasi deteksi moderat dengan nilai rata-rata mAP₅₀ sebesar 0,547. Performa tertinggi dicapai pada kategori retak buaya (alligator crack) (AP 0,709), sedangkan retak melintang (transverse crack) menjadi kelas dengan kinerja terlemah (AP 0,454). Kelemahan utama yang teridentifikasi adalah rendahnya akurasi lokalisasi bounding box (mAP_50-95 0,254) dan tingginya tingkat misklasifikasi objek sebagai latar belakang (background). Sebagai rekomendasi, pengembangan selanjutnya perlu difokuskan pada peningkatan Recall melalui diversifikasi data dan integrasi koordinat GPS absolut guna mendukung manajemen aset jalan yang lebih presisi.

References

Alkentar, S. M., Alsahwa, B., Assalem, A., & Karakolla, D. (2021). Practical comparation of the accuracy and speed of YOLO, SSD and Faster RCNN for drone detection. Journal of Engineering, 27(8), 19 31. https://doi.org/10.31026/j.eng.2021.08.02

Arya, D., Maeda, H., Ghosh, S. K., Toshniwal, D., Omata, H., Kashiyama, T., & Sekimoto, Y. (2022). RDD2022: A multi-national image dataset for automatic Road Damage Detection. Scientific Data (Nature), 1-16. https://doi.org/10.48550/arXiv.2209.08538

Arya, D., Maeda, H., Kumar Ghosh, S., Toshniwal, D., Omata, H., Kashiyama, T., & Sekimoto, Y. (2020). Global Road Damage Detection: State-of-the-art Solutions. 2020 IEEE International Conference on Big Data (Big Data), 5533–5539. https://doi.org/10.1109/BigData50022.2020.9377790

ASTM D6433-20. (2020). Practice for Roads and Parking Lots Pavement Condition Index Surveys. ASTM International. https://doi.org/10.1520/D6433-20

BPS - Kota Kendari. (2022). Panjang Jalan Menurut Kondisi Jalan di Kota Kendari (km), 2018–2020.

Cano-Ortiz, S., Pascual-Muñoz, P., & Castro-Fresno, D. (2022). Machine Learning Algorithms For Monitoring Pavement Performance. Automation in Construction, 139, July 2022, 104309. https://doi.org/10.1016/j.autcon.2022.104309

Dharma, A. S., Pardosi, C. N. S., & Silaen, Z. P. (2025). Comparative Performance of Yolov8 and Ssd- mobilenet Algorithms for Road Damage Detection in Mobile Applications. Sinkron, 9(3), 1159– 1169. https://doi.org/10.33395/sinkron.v9i3.15008

Direktorat Jenderal Bina Marga. (2024). Pemanfaatan Artificial Intelligence (AI) untuk Pemantauan Kondisi Permukaan Jalan (Issue 09).

Dzulfaroh, A., & Hardiyanto, S. (2023, April). 10 Provinsi dengan Jalan Rusak Paling Banyak di Indonesia, Mana Saja? Kompas.Com.

Hidayat, F., Billy, N., Permana, N. R., & Hariady, M. E. (2025). Penerapan You Only Look Once dan DeepSORT untuk Deteksi Plat Nomor Kendaraan. Jurnal Telematika, 19(2), 53–59. https://doi.org/10.61769/telematika.v20i2.676

Jin, W.-L. (2021). Introduction. Introduction to Network Traffic Flow Theory (pp. 3–12). Elsevier. https://doi.org/10.1016/B978-0-12-815840-1.00011-4

Khadaroo, J., & Seetanah, B. (2016). Infrastructure. Encyclopedia of Tourism (pp. 478–478). Springer International Publishing. https://doi.org/10.1007/978-3-319-01384-8_447

Kheradmandi, N., & Mehranfar, V. (2022). A Critical Review And Comparative Study On Image Segmentation-Based Techniques For Pavement Crack Detection. Construction and Building Materials, 321, 126162. https://doi.org/10.1016/j.conbuildmat.2021.126162

Lin, W., Li, X., Han, H., Yu, Q., & Cho, Y.-H. (2023). A Novel Approach For Pavement Distress Detection And Quantification Using RGB-D Camera And Deep Learning Algorithm. Construction and Building Materials, 407, 133593. https://doi.org/10.1016/j.conbuildmat.2023.133593

Media Indonesia. (2023, May). Masalah Serius Kerusakan Jalan di Indonesia. Mediaindonesia.Com.

Muntiari, N. R., Nisa, I. C., Sriekaningih, A., Prasetyo, A. Y. A., & Yusril, M. (2024). Penerapan Algoritma YOLOv8 Dalam Indentifikasi Wajah secara Real-Time menggunakan CCTV untuk Presensi Siswa. Decode: Jurnal Pendidikan Teknologi Informasi, 4(3), 1155–1165. https://doi.org/10.51454/decode.v4i3.847

Naufaldihanif, R., Kurniawan, D., & Tania, K. D. (2025). Performance Analysis of YOLO, Faster R-CNN, and DETR for Automated Personal Protective Equipment Detection. Journal of Applied Informatics and Computing, 9(6), 3810–3820. https://doi.org/10.30871/jaic.v9i6.11593

Kusuma, N. T. R., Suarjaya, I. M. A. D., & Vihikan, W. O. (2024). Implementasi Metode YOLOv8 Pada Mobile Apps Untuk Klasifikasi Kain Endek Bali. Decode: Jurnal Pendidikan Teknologi Informasi, 4(3), 787–797. https://doi.org/10.51454/decode.v4i3.610

Kotakonda, K., Rani, S., Chandana, K., Kavya, N., Poojitha, K., & Pallavi, T. (2025). Automatic Detection of Damaged Roads and Lane Detection using Deep Learning. INTI Journal, JODS(2025). https://doi.org/10.61453/jods.v2025no11

Sami, A. A., Sakib, S., & Deb, K. (2025). Road Damage Detection and Classification using YOLOv8. Intelligent Networks and Systems: Advanced Technologies and Applications, 8(12), 334–349. https://doi.org/10.1201/9781032659770-25

Sasmito, B., Setiadji, B. H., & Isnanto, R. (2023). Deteksi Kerusakan Jalan Menggunakan Pengolahan Citra Deep Learning di Kota Semarang. Teknik, 44(1), 7–14. https://doi.org/10.14710/teknik.v44i1.51908

Silva, L. A., Leithardt, V. R. Q., Batista, V. F. L., Villarrubia Gonzalez, G., & De Paz Santana, J. F. (2023). Automated Road Damage Detection Using UAV Images and Deep Learning Techniques. IEEE Access, 11(6), 62918–62931. https://doi.org/10.1109/ACCESS.2023.3287770

Zhang, H., Wu, Z., Qiu, Y., Zhai, X., Wang, Z., Xu, P., Liu, Z., Li, X., & Jiang, N. (2022). A New Road Damage Detection Baseline with Attention Learning. Applied Sciences, 12(15), 7594. https://doi.org/10.3390/app12157594