Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

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

Decode: Jurnal Pendidikan Teknologi Informasi · Vol. 6 No. 1 (2026) · hlm. 213–222

DOI
10.51454/decode.v6i1.1511
ISSN
2775-1813, 2775-2984
Terbit
2026-03-31
Penerbit
Universitas Muhammadiyah Kendari
Lisensi
creativecommons.org/licenses/by-sa/4.0/

Abstrak

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 (mAP50-95 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.

Jaringan kolaborasi para penulis

10 penulis · 19 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
SukmanAfiliasi tidak diketahui1
Astri Delviana LiharaAfiliasi tidak diketahui1
Muhammad NabilAfiliasi tidak diketahui1
Fitriani RahmawatiAfiliasi tidak diketahui1
Abdul Fattaah MustafahAfiliasi tidak diketahui1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Data ini berasal dari Crossref (yang disetorkan penerbit), karena endpoint OAI-PMH milik jurnal tidak dapat di-harvest.

Sumber metadata: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, pertama di-harvest 26 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata sebagai oai_dc, dikonversi dari Crossref
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title>Sistem Inventarisasi Kerusakan Perkerasan Jalan Deep Learning Dengan Arsitektur Convolutional Neural Network (CNN) YOLOv8</dc:title><dc:creator>Mahmud</dc:creator><dc:creator>Yuandi, Intan Anuggrah</dc:creator><dc:creator>Amir, Andi Ahdan</dc:creator><dc:creator>Sulaiman, Muh Asep</dc:creator><dc:creator>Humera, Alya Putri</dc:creator><dc:description>&lt;jats:p&gt;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 (mAP50-95 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.&lt;/jats:p&gt;</dc:description><dc:publisher>Universitas Muhammadiyah Kendari</dc:publisher><dc:date>2026-03-31</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.51454/decode.v6i1.1511</dc:identifier><dc:identifier>10.51454/decode.v6i1.1511</dc:identifier><dc:source>Decode: Jurnal Pendidikan Teknologi Informasi; Vol 6 No 1 (2026); 213-222</dc:source><dc:source>2775-1813</dc:source><dc:source>2775-2984</dc:source><dc:relation>https://journal.umkendari.ac.id/decode/article/download/1511/848</dc:relation><dc:rights>https://creativecommons.org/licenses/by-sa/4.0/</dc:rights></oai_dc:dc>