Aplikasi YOLOv11 pada Sistem Pelaporan Kerusakan Jalan Berbasis Web

Abstract

Kerusakan jalan masih menjadi permasalahan infrastruktur yang signifikan di Indonesia, sementara sistem pelaporan yang tersedia umumnya masih bersifat konvensional dan belum terintegrasi dengan teknologi monitoring otomatis. Penelitian ini menerapkan model deep learning YOLOv11n untuk mendeteksi kerusakan jalan secara otomatis dari citra digital yang diintegrasikan ke dalam sistem pelaporan berbasis web. Penelitian berfokus pada tiga kategori kerusakan jalan, yaitu pothole, linear crack, dan alligator crack. Dataset yang digunakan terdiri dari 3.768 citra dengan 6.947 anotasi bounding box yang dibagi ke dalam data training, validation, dan testing. Model YOLOv11n dilatih selama 200 epoch menggunakan optimizer AdamW dengan ukuran input 640 × 640 piksel. Hasil deteksi diolah menggunakan pendekatan Road Damage Score (RDS) berbasis aturan untuk menentukan prioritas penanganan kerusakan jalan. Sistem yang dikembangkan mendukung pelaporan kerusakan jalan secara real-time melalui platform web berbasis GPS yang terintegrasi dengan deteksi objek otomatis. Hasil pengujian menunjukkan nilai precision sebesar 0,6753, recall sebesar 0,6169, mAP50 sebesar 0,6374, dan F1-score sebesar 0,6448. Kelas pothole menghasilkan performa terbaik dengan mAP50 sebesar 0,8323, sedangkan linear crack memperoleh performa terendah sebesar 0,5031. Hasil penelitian menunjukkan bahwa integrasi YOLOv11n dengan sistem pelaporan berbasis web mampu mendukung monitoring kondisi jalan yang lebih efisien dan berbasis data.