<![CDATA[Inspeksi kerusakan jalan secara manual di wilayah Tanjung Siambang menghadapi keterbatasan signifikan dalam hal efisiensi, waktu, dan cakupan deteksi. Keterlambatan identifikasi lubang jalan berdampak negatif terhadap keselamatan pengguna jalan dan meningkatkan biaya perawatan infrastruktur. Penelitian ini bertujuan untuk mengembangkan prototipe sistem deteksi lubang jalan yang otomatis dan akurat sebagai langkah awal fundamental sebelum implementasi penuh di lokasi target. Penelitian ini mengimplementasikan arsitektur deep learning You Only Look Once versi 5s (YOLOv5s). Model dilatih menggunakan dataset publik "hole 2" dari platform Roboflow Universe, yang mencakup 3.299 citra lubang jalan dalam beragam kondisi visual, termasuk jalan kering, tergenang air, dan dalam bayangan. Pelatihan model dilakukan selama 200 epochs memanfaatkan akselerasi Graphics Processing Unit (GPU) pada platform Google Colaboratory. Kinerja prototipe dievaluasi pada 332 citra uji yang belum pernah dilihat sebelumnya. Hasil evaluasi kuantitatif menunjukkan kinerja yang sangat baik, di mana model mencapai mean Average Precision (mAP@0.5) sebesar 0.889 (88.9%), didukung oleh nilai Precision 0.895 (89.5%) dan Recall 0.833 (83.3%). Hasil ini mengkonfirmasi bahwa arsitektur YOLOv5s yang dilatih pada dataset publik yang beragam mampu mendeteksi dan melokalisasi lubang jalan dengan akurasi tinggi. Prototipe ini berfungsi sebagai model dasar (baseline) yang kuat dan telah divalidasi, yang siap untuk diadaptasi dan diuji lebih lanjut melalui fine-tuning menggunakan data lokal spesifik dari Tanjung Siambang.]]>
Copyrights © 2025
