<![CDATA[Kerusakan jalan merupakan permasalahan umum yang berdampak langsung terhadap keselamatan dan kenyamanan pengguna jalan, serta terhadap efisiensi transportasi. Selama ini, proses inspeksi jalan masih dilakukan secara manual, yang memerlukan waktu, biaya, dan sumber daya yang tidak sedikit. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis guna mendeteksi kerusakan jalan berdasarkan citra permukaan, dengan memanfaatkan metode Convolutional Neural Network (CNN). Dataset yang digunakan dalam penelitian ini terdiri dari 400 gambar dengan distribusi seimbang, yaitu 200 gambar kategori Cracks (jalan retak) dan 200 gambar kategori non-Cracks (jalan tidak retak), yang diambil dari sumber dataset terbuka di platform Mendeley Data. Arsitektur CNN dirancang secara khusus dengan empat lapisan konvolusi yang dilengkapi fungsi aktivasi ReLU, pooling layer, dropout layer untuk mengurangi overfitting, serta fully connected layer pada tahap akhir klasifikasi. Proses pelatihan dilakukan menggunakan TensorFlow dan Keras di platform Google Colab, dengan pembagian data sebesar 80% untuk data pelatihan dan 20% untuk data validasi. Hasil evaluasi menunjukkan bahwa model memiliki performa klasifikasi yang sangat baik. Berdasarkan rata-rata dari seluruh skenario pelatihan (epoch 30, 40, dan 50), model CNN yang dikembangkan mampu mencapai akurasi keseluruhan sebesar 97,50%, presisi rata-rata 96,77%, recall rata-rata 99,37%, dan F1-score rata-rata 97,72%. Dengan kinerja yang konsisten dan tingkat kesalahan yang rendah, model CNN ini memiliki potensi besar untuk diterapkan sebagai alat bantu dalam proses identifikasi kerusakan jalan berbasis citra secara otomatis dan efisien, sehingga dapat mempercepat inspeksi, mengurangi beban kerja manual, dan membantu instansi terkait dalam pengambilan keputusan pemeliharaan infrastruktur jalan secara tepat waktu.]]>
