Sistem Cerdas Deteksi Kerusakan Jalan dengan Perbandingan Algoritma YOLOV8 dan SSD MobileNet
Keywords:
Deteksi Kerusakan, Jalan Raya, Deep Learning, YOLOv8, SSD MobileNetAbstract
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.
References
[1] E. Yuliandra et al., “Analisis Kerusakan Jalan Menggunakan Metode Bina Marga dan Metode Pavement Condition Index (PCI) (Studi Kasus : Jalan Sudirman dan Jalan Soekarno-Hatta Kota Dumai),” 2022.
[2] M. Akbar, H. Betaubun, C. Utary, D. L. Pamuttu, and D. A. Pasalli, “1161-File Utama Naskah-5853-1-10-20231025,” JOURNAL OF RESEARCH AND INOVATION IN CIVIL ENGINEERING AS APPLIED SCIENCE (RIGID), vol. 2, pp. 7–13, Jan. 2023.
[3] U. Shodiq et al., “JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.0 International License (CC BY-SA 4.0) KLASIFIKASI JALAN RUSAK MENGGUNAKAN TRANSFER LEARNING ARSITEKTUR VGG16,” Journal Of Information Systems And Informatics Engineering, vol. 8, no. 1, pp. 75–85, 2024, doi: 10.35145/joisie.v8i1.4243.
[4] K. A. Vinodhini and K. R. A. Sidhaarth, “Pothole detection in bituminous road using CNN with transfer learning,” Measurement: Sensors, vol. 31, Feb. 2024, doi: 10.1016/j.measen.2023.100940.
[5] N. Khairunisa, . C., and A. Jamaludin, “ANALISIS PERBANDINGAN ALGORITMA CNN DAN YOLO DALAM MENGIDENTIFIKASI KERUSAKAN JALAN,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, Aug. 2024, doi: 10.23960/jitet.v12i3.4434.
[6] A. S. Dharma, C. N. S. Pardosi, and Z. P. Silaen, “Comparative Performance of Yolov8 and Ssd-mobilenet Algorithms for Road Damage Detection in Mobile Applications,” sinkron, vol. 9, no. 3, pp. 1159–1169, Jul. 2025, doi: 10.33395/sinkron.v9i3.15008.
[7] S. Hossain, H. Anzum, and S. Akhter, “Comparison of YOLO (V3,V5) and MobileNet-SSD (V1,V2) for Person Identification Using Ear-Biometrics,” International Journal of Computing and Digital Systems, vol. 15, no. 1, pp. 1259–1271, Mar. 2024, doi: 10.12785/ijcds/150189.
[8] S. N. Azzahra, D. Widhiantoro, K. Kunci, and D. Objek, “Analisa Komparatif Algoritma YOLO dan SSD untuk Sistem Deteksi Objek,” SEMINAR NASIONAL INOVASI VOKASI, vol. 4, Jun. 2025.
[9] A. I. Hanafi, A. Srirahayu, and A. Farida, “Sistem Rekomendasi Produk Konveksi Pada Deem Clothing Dengan Metode Knowledge Based,” SMATIKA JURNAL, vol. 14, no. 02, pp. 270–283, Dec. 2024, doi: 10.32664/smatika.v14i02.1338.
[10] “CRISP-DM: Tahapan, Studi Kasus, Kelebihan, dan Kekurangan.” Accessed: Jun. 28, 2026. [Online]. Available: https://www.dicoding.com/blog/crisp-dm-tahapan-studi-kasus-kelebihan-dan-kekurangan/
[11] D. B. Saputra, V. Atina, F. E. Nastiti, and F. I. Komputer, “PENERAPAN MODEL CRISP-DM PADA PREDIKSI NASABAH KREDIT MENGGUNAKAN ALGORITMA RANDOM FOREST,” 2024. [Online]. Available: http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/indexDwiBagusSaputra|http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/index|
[12] A. S. Alenezi and M. A. Mangoud, “Evaluating YOLOv8 for Road Damage Detection,” Mar. 2025.
[13] N. S. Putra, B. F. Hutabarat, and U. Khaira, “Implementasi Algoritma Convolutional Neural Network Untuk Identifikasi Jenis Kelamin Dan Ras,” Decode: Jurnal Pendidikan Teknologi Informasi, vol. 3, no. 1, pp. 82–93, Feb. 2023, doi: 10.51454/decode.v3i1.123.
[14] Y. Zanevych, V. Yovbak, O. Basystiuk, N. Shakhovska, S. Fedushko, and S. Argyroudis, “Evaluation of Pothole Detection Performance Using Deep Learning Models Under Low-Light Conditions,” Sustainability (Switzerland), vol. 16, no. 24, Dec. 2024, doi: 10.3390/su162410964.
[15] M. R. Albasith and M. Fachrie, “Real-Time Identification of Potholes and Road Damage Using Yolov11,” bit-Tech, vol. 8, no. 2, pp. 2792–2802, Dec. 2025, doi: 10.32877/bt.v8i2.3371.
[16] K. R. Ahmed, “Smart pothole detection using deep learning based on dilated convolution,” Sensors, vol. 21, no. 24, Dec. 2021, doi: 10.3390/s21248406.
[17] ul Hamidani, R. Yanto, S. Informasi, and S. Bina Nusantara Jaya Lubuklinggau, “Sistem Cerdas Makanan Sehat Metode CBR dan SMART untuk Edukasi Pemenuhan Gizi Masyarakat,” Jurnal Pustaka AI, vol. 5, no. 2, pp. 355–363, 2025, doi: 10.55382/jurnalpustakaai.v5i2.1209.
[18] “Pengertian dan Cara Kerja Algoritma Convolutional Neural Network (CNN) - Trivusi.” Accessed: Jul. 11, 2026. [Online]. Available: https://www.trivusi.web.id/2022/04/algoritma-cnn.html
[19] R. Liusman Gaho, I. T. Ali, and E. Prakasa, “Klasifikasi Kualitas Permukaan Jalan Raya Menggunakan Metode CNN Berbasis Arsitektur Xception,” JURNAL INOVTEK POLBENG - SERI INFORMATIKA, vol. 9, no. 1, p. 2024, 2024.
[20] H. E. Nawawi, R. Rahmadewi, and L. Nurpulaela, “Pendeteksian Wajah Hasil Dari Manipulasi Ai Pada Citra Digital,” Jurnal Ilmiah Wahana Pendidikan, vol. 10, no. 2, pp. 402–409, 2024, doi: 10.5281/zenodo.10487513.
[21] F. A. Rafi, A. Fanggidae, and Y. T. Polly, “ASPHALT ROAD DAMAGE DETECTION SYSTEM USING CANNY EDGE DETECTION,” Jurnal Komputer dan Informatika, vol. 11, no. 1, pp. 85–90, Mar. 2023, doi: 10.35508/jicon.v11i1.10100.
[22] V. R. Yuniar, R. I. Qonata, H. A. Rizmadita, and A. S. Fitri, “PERANCANGAN SISTEM PELAPORAN KERUSAKAN JALAN DENGAN METODE OBJECT ORIENTED ANALYSIS DESIGN (OOAD) BERBASIS WEB,” 2024.
[23] J. Aplikasi Sains et al., “Performasi Deteksi Jumlah Manusia Menggunakan YOLOv8,” 2023. [Online]. Available: https://universe.roboflow.com/csgo-head-detection/head-datasets
