| dc.description.abstract | Kerusakan jalan merupakan permasalahan penting karena berdampak pada
mobilitas, keselamatan, serta aktivitas ekonomi masyarakat, termasuk di Kabupaten
Indragiri Hulu yang memiliki kondisi jalan dengan tingkat kerusakan yang
bervariasi hingga kategori rusak berat. Metode pemantauan secara manual dinilai
kurang efisien karena memerlukan waktu dan tenaga yang besar serta berpotensi
menimbulkan subjektivitas dalam penilaian. Seiring dengan perkembangan
teknologi, kecerdasan buatan khususnya Deep Learning menawarkan solusi yang
lebih cepat dan akurat melalui deteksi berbasis citra. Salah satu algoritma yang
digunakan adalah YOLOv11 yang mampu melakukan deteksi objek secara real-
time dengan tingkat akurasi yang tinggi. Penelitian ini bertujuan untuk
mengembangkan sistem deteksi otomatis kerusakan jalan di Kabupaten Indragiri
Hulu menggunakan YOLOv11, serta melakukan estimasi dimensi kerusakan
berdasarkan hasil deteksi. Proses penelitian meliputi pengolahan dataset citra
menggunakan platform Roboflow, pelatihan model, serta evaluasi kinerja
menggunakan metrik precision, recall, dan mAP50. Hasil penelitian menunjukkan
bahwa model memiliki kinerja yang sangat baik dengan nilai precision sebesar
96,1%, recall sebesar 95,3%, dan mAP50 sebesar 99%. Secara spesifik, kelas Baik
memperoleh precision 98,9% dan mAP50 99,5%, kelas Rusak memperoleh
precision 95,7% dan mAP50 99,3%, kelas Rusak Berat memperoleh precision
93,7% dan mAP50 98,3%, serta kelas Sedang memperoleh precision 96,1% dan
mAP50 98,4%. Selain itu, sistem juga mampu menghasilkan estimasi dimensi
kerusakan dalam satuan centimeter secara otomatis. Hasil evaluasi menggunakan
metode Mean Absolute Percentage Error (MAPE) menunjukkan bahwa estimasi
dimensi memiliki tingkat akurasi yang cukup baik, dengan nilai MAPE lebar
sebesar 4,1% dan 1,84%, serta MAPE tinggi sebesar 12,47% dan 11,75% pada data
uji. Dengan demikian, sistem yang dikembangkan mampu mendukung proses
identifikasi dan penilaian kerusakan jalan secara lebih objektif dan efisien,
meskipun masih terdapat keterbatasan pada jumlah data uji. | en_US |
