IMPLEMENTASI MODEL DEEP LEARNING UNTUK DETEKSI DAN KLASIFIKASI JENIS KERUSAKAN JALAN DI KOTA PALANGKARAYA

Ricard  Jonathan; Nova Noor Kamala Sari; Efrans  Christian

doi:10.24002/prosidingkonstelasi.v3i1.13429

Authors

Ricard Jonathan Jurusan Teknik Informatika, Universitas Palangka Raya
Nova Noor Kamala Sari Jurusan Teknik Informatika, Universitas Palangka Raya
Efrans Christian Jurusan Teknik Informatika, Universitas Palangka Raya

DOI:

https://doi.org/10.24002/prosidingkonstelasi.v3i1.13429

Keywords:

YOLOv8, deep learning, klasifikasi kondisi jalan, deteksi kerusakan jalan, aplikasi mobile

Abstract

Jalan merupakan infrastruktur penting yang mendukung aktivitas masyarakat, sehingga kerusakan yang tidak segera diperbaiki dapat menghambat mobilitas dan meningkatkan risiko kecelakaan. Penelitian ini mengembangkan aplikasi mobile pelaporan kondisi jalan yang terintegrasi dengan model deep learning YOLOv8 untuk mendeteksi dan mengklasifikasikan tingkat kerusakan. Dataset terdiri dari 2.296 citra untuk klasifikasi kondisi jalan (baik, sedang, rusak ringan, rusak berat) dan 2.245 citra untuk mendeteksi tujuh jenis kerusakan, termasuk amblas, bergelombang, lubang besar, lubang kecil, serta berbagai jenis retak. Evaluasi pada 420 citra menunjukkan performa deteksi dengan Precision 62,4%, Recall 62,0%, dan mAP 62,9%. Kelas Amblas memberikan hasil terbaik, sedangkan Retak Buaya memiliki performa terendah. Pada klasifikasi kondisi jalan, YOLOv8 menunjukkan akurasi sangat baik, mencapai hingga 100% pada kategori rusak berat. Hasil ini menunjukkan bahwa YOLOv8 efektif dalam menganalisis kondisi jalan meskipun tingkat kepastian deteksi berbeda pada setiap jenis kerusakan.

References

[1] O. : Silviana et al., “PT. Media Akademik Publisher PENTINGNYA INFRASTRUKTUR JALAN BAGI AKSESBILITAS EKONOMI DAN SOSIAL TERHADAP WARGA DESA SAMBONGREJO DAN DESA SENDANGAGUNG BOJONEGORO Wahjoe Poernomo Soeprapto 6,” JMA), vol. 2, no. 10, pp. 3031–5220, 2024, doi: 10.62281.

[2] B. Sasmito, B. H. Setiadji, and R. Isnanto, “Deteksi Kerusakan Jalan Menggunakan Pengolahan Citra Deep Learning di Kota Semarang,” TEKNIK, vol. 44, no. 1, pp. 7–14, May 2023, doi: 10.14710/teknik.v44i1.51908.

[3] Y. Yulianto and A. Wibowo, “DETEKSI KERETAKAN JALAN ASPAL MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK,” 2023.

[4] A. Yolov8 et al., “Analisa Kemampuan Algoritma YOLOv8 Dalam Deteksi Objek Manusia Dengan Metode Modifikasi Arsitektur,” 2023.

[5] E. Wahyudinarti, P. A. Rachmatika, R. N. Ain, S. Informasi, G. Anyar, and K. Artificial, “MENINGKATKAN EFEKTIVITAS PEMBELAJARAN MAHASISWA DENGAN AI : TINJAUAN LITERATUR DI ERA DIGITAL,” vol. 9, no. 1, pp. 488–491, 2025.

[6] S. Dewi, H. Ilyana, C. Hashim, and K. Tanujaya, “The Moderating Effect of Artificial Intelligence and ICT Adoption on Tax Evasion,” vol. 29, no. 01, pp. 88–106, 2025.

[7] A. Raup, W. Ridwan, Y. Khoeriyah, Q. Yuliati Zaqiah, and U. Islam Negeri Sunan Gunung Djati Bandung, “Deep Learning dan Penerapannya dalam Pembelajaran.” [Online]. Available: http://jiip.stkipyapisdompu.ac.id

[8] Y. Nurhakiki, J., & Yahfizham, “Studi Kepustakaan: Pengenalan 4 Algoritma Pada Pembelajaran Deep Learning Beserta Implikasinya,” Data Eng. Mach. Learn. Pipelines From Python Libr. to ML Pipelines Cloud Platforms, no. 1, pp. 1–636, 2024.

[9] M. Fathurahman and Hana Fauziah Hanum, “Analisa Realisasi Sistem Identifikasi Tingkat Kematangan Buah Tomat Ceri dengan Model YOLOv8 di BBPP Lembang,” Spektral, vol. 6, no. 1, pp. 311–316, 2025, doi: 10.32722/spektral.v6i1.7544.

[10] M. Ibrahim and U. Latifa, “Penerapan Algoritma Yolov8 Dalam Deteksi Waktu Panen Tanaman Pakcoy Berbasis Website,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 4, pp. 2489–2495, 2024, doi: 10.36040/jati.v7i4.7154.

[11] Marlina Haiza, Elmayati, Zulius Antoni, and Wijaya Harma Oktafia Lingga, “Penerapan Algoritma Random Forest Dalam Klasifikasi Penjurusan Di SMA Negeri Tugumulyo,” Penerapan Kecerdasan Buatan, vol. 4, no. 2, pp. 138–143, 2023.

[12] A. Putra Argadinata, D. Abdul Fatah, and H. Sukri, “Klasifikasi Kualitas Buah Apel Menggunakan Metode Random Forest,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, pp. 2016–2022, 2025, doi: 10.36040/jati.v9i2.12854.

[13] D. Nafis Alfarizi, R. Agung Pangestu, D. Aditya, M. Adi Setiawan, and P. Rosyani, “Penggunaan Metode YOLO Pada Deteksi Objek: Sebuah Tinjauan Literatur Sistematis,” J. Artif. Intel. dan Sist. Penunjang Keputusan, vol. 1, no. 1, pp. 54–63, 2023, [Online]. Available: https://jurnalmahasiswa.com/index.php/aidanspk

[14] N. A. Fadhlurrohman, A. Primajaya, A. N. Dimyati, U. S. Karawang, T. Timur, and J. Barat, “ANALISIS SENTIMEN TERHADAP SKEMA STUDENT LOAN UNTUK BIAYA PERGURUAN TINGGI PADA TWITTER,” vol. 9, no. 2, pp. 2115–2123, 2025.

[15] F. Paramudita and M. I. Zulfa, “Aplikasi Android Pendeteksi Kualitas Beras Berbasis Machine Learning Menggunakan Metode Convolutional Neural Network,” J. Pendidik. dan Teknol. Indones., vol. 3, no. 7, pp. 297–305, Aug. 2023, doi: 10.52436/1.jpti.310.