Implementasi Segmentasi Citra Menggunakan YOLOv8 untuk Penilaian Kondisi Jalan Otomatis

Abstract

Kondisi infrastruktur jalan memiliki peranan krusial dalam menunjang keselamatan, kenyamanan, dan efisiensi transportasi. Namun, proses inspeksi kondisi jalan di Indonesia hingga saat ini masih banyak dilakukan secara manual sehingga cenderung subjektif, memerlukan waktu lama, dan berbiaya tinggi. Penelitian ini mengimplementasikan model YOLOv8 dengan pendekatan segmentasi citra berbasis deep learning untuk mendeteksi dan menilai kerusakan jalan, khususnya lubang (pothole). Dataset citra jalan digunakan sebagai data latih dan uji, dengan proses pelabelan berbasis mask segmentasi. Model dilatih menggunakan arsitektur YOLOv8-seg dan dievaluasi berdasarkan metrik performa seperti precision, recall, dan mean Average Precision (mAP) Sistem yang dikembangkan tidak hanya mendeteksi kerusakan jalan berupa lubang (pothole), tetapi juga melakukan segmentasi piksel untuk menghitung persentase luas kerusakan terhadap permukaan jalan secara kuantitatif. Hasil penelitian diharapkan mampu menghasilkan sistem penilaian kondisi jalan secara otomati yang objektif dan efisien, serta memberikan dukungan dalam pengambilan keputusan oleh instansi terkait.