Metode Deteksi dan Estimasi Luas Lubang Jalan Menggunakan Deep Learning Berbasis YOLOv11

Abstract

Kondisi infrastruktur jalan yang rusak  khususnya keberadaan lubang jalan dapat berdampak signifikan terhadap keselamatan berkendara.  Efisiensi transportasi  serta biaya distribusi barang menjadi komponen penting perekonomian. Deteksi kerusakan jalan secara manual dinilai kurang efisien dan rentan terhadap kesalahan manusia, terutama dalam skala besar dan waktu nyata. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dan estimasi luas lubang jalan secara real-time menggunakan algoritma YOLOv11 berbasis deep learning. Model YOLOv11 dipilih karena kemampuannya dalam mendeteksi objek berukuran kecil dengan presisi tinggi serta kecepatan inferensi yang optimal. Sistem yang dibangun melibatkan proses pengumpulan data citra jalan berlubang, pelatihan model menggunakan dataset relevan, serta pengembangan aplikasi web berbasis Flask untuk mempermudah pengguna dalam mengunggah gambar dan melihat hasil deteksi. Berdasarkan hasil pelatihan, model menunjukkan performa yang stabil dan konvergen dengan nilai mAP@0.5 mencapai 0.8. Evaluasi model melalui confusion matrix menghasilkan nilai precision sebesar 75,1%, recall 76,6%, dan F1-score sebesar 75,8%, yang menunjukkan bahwa model memiliki kemampuan deteksi yang baik dan seimbang. Sistem ini diharapkan dapat menjadi solusi awal yang inovatif untuk mendukung pemeliharaan jalan yang lebih akurat, cepat, dan efisien, serta membantu instansi terkait dalam pengambilan keputusan perbaikan infrastruktur secara berkelanjutan.