DETEKSI KERUSAKAN JALAN MENGGUNAKAN CONVOLUTIONNAL NEURAL NETWORK (CNN)

Abstract

Road surface damage is a critical issue that can impact road user safety, transportation efficiency, and infrastructure maintenance costs. Manual road inspection methods are still widely used, but they suffer from subjective assessments that can result in inconsistent data. Therefore, an automated approach using artificial intelligence technology is needed to improve the accuracy and efficiency of road damage detection. This research aims to develop a road damage detection system using a deep learning approach based on Convolutional Neural Networks (CNN). The detection model was trained using an annotated road image dataset covering various types of road surface damage. The training and evaluation processes were conducted using an object detection architecture that included mean average precision (mAP), precision, and recall. Test results show that the CNN model can automatically detect road damage with fairly good performance. However, system performance is still affected by the limited dataset size, class imbalance, and variations in environmental conditions. The developed system has the potential to be a decision-support tool for more effective and data-driven road infrastructure maintenance.

Kerusakan permukaan jalan merupakan masalah penting yang dapat memengaruhi keselamatan pengguna jalan, efisiensi transportasi, dan biaya pemeliharaan infratruktur. Metode inspeksi jalan secara manual masih banyak dipakai, memiliki kelemahan adanya subjektivitas penilaian, yang dapat menghasilkan data yang tidak konsisten. Oleh karena itu, dibutuhkan pendekatan otomatis menggunakan teknologi kecerdasan buatan untuk meningkatkan akurasi dan efisiensi deteksi kerusakan jalan. Penelitian ini bertujuan mengembangkan sistem deteksi kerusakan jalan dengan pendekatan deep learning berbasis Convolutional Neural Network (CNN). Model deteksi dilatih menggunakan dataset citra jalan yang mencakup berbagai jenis kerusakan permukaan jalan. Proses pelatihan dan evaluasi dilakukan dengan arsitektur deteksi objek seperti mean average precision (mAP), precision, dan recall. Hasil pengujian menunjukan bahwa model CNN dapat mendeteksi kerusakan jalan secara otomatis dengan kinerja yang cukup baik. Namun, performa sistem masih dipengaruhi oleh keterbatasan jumlah dataset, ketidakseimbangan kelas, dan variasi kondisi lingkungan. Sistem yang dikembangkan berpotensi menjadi alat pendukung pengambilan keputusan untuk pemeliharaan infrastruktur jalan yang lebih efektif dan berbasis data