<![CDATA[Infrastruktur jalan raya yang aman dan nyaman merupakan fasilitas esensial bagi masyarakat, namun pengawasan kondisi jalan secara manual memiliki keterbatasan yang signifikan. Penelitian ini bertujuan untuk mengembangkan sistem cerdas pendeteksi kerusakan jalan raya guna mengenali berbagai jenis kerusakan seperti retak buaya, pelepasan butir, dan lubang. Sebagai solusi atas permasalahan tersebut, penelitian ini membandingkan kinerja dua algoritma deep learning berbasis Convolutional Neural Network (CNN) tipe one-stage detector, yaitu YOLOv8 dan SSD MobileNet. Metodologi yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM). Dataset yang digunakan sangat terbatas, yakni 45 citra kerusakan jalan yang diekstraksi dari Google Maps dan tangkapan kamera langsung, kemudian dikelola serta diaugmentasi menggunakan platform Roboflow. Hasil pengujian menunjukkan bahwa algoritma YOLOv8 memiliki tingkat responsivitas yang lebih tinggi dengan nilai mean Average Precision (mAP) pada IoU 0.50 berhasil mencapai angka 72 persen. Namun, metrik YOLOv8 menunjukkan volatilitas dan indikasi overfitting akibat menghafal dataset latih yang terlalu sempit. Di sisi lain, model SSD MobileNet mengalami kegagalan konvergensi secara mutlak dengan nilai mAP yang terus stagnan di angka 30 persen selama 100 epoch. Kegagalan ini disebabkan oleh ketidakmampuan algoritma SSD dalam menangani gangguan visual atau noise pada kondisi data yang sangat minim. Dapat disimpulkan bahwa kedua model saat ini belum siap untuk tahap implementasi produksi.]]>
Copyrights © 2026
