<![CDATA[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.]]>
Copyrights © 2026
