Penerapan model YOLOv11 untuk deteksi kerusakan jalan

Saputra, Dian (2025) Penerapan model YOLOv11 untuk deteksi kerusakan jalan. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (228kB) | Preview
Preview	Text 2_abstrak.pdf Download (198kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (891kB) | Preview
Preview	Text 4_daftarisi.pdf Download (237kB) | Preview
Preview	Text 5_bab1.pdf Download (404kB) | Preview
	Text 6_ bab2.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (729kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (804kB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (239kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (211kB) | Request a copy

Abstract

Kondisi jalan yang tidak memadai, seperti jalan rusak dan berlubang, merupakan salah satu penyebab utama kecelakaan lalu lintas yang mengakibatkan kerugian material signifikan. Tantangan utama dalam penanganannya adalah proses inspeksi manual yang lambat, mahal, dan subjektif, sehingga diperlukan sistem deteksi otomatis yang akurat dan efisien. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi konfigurasi fine-tuning yang optimal pada arsitektur YOLOv11 untuk deteksi kerusakan jalan. Metode yang digunakan adalah evaluasi komparatif terhadap empat skenario pelatihan yang dibedakan berdasarkan rasio pembagian data (60:20:20 dan 70:20:10 untuk latih-validasi-uji) dan jenis optimizer (AdamW dan SGD). Model dilatih menggunakan dataset gabungan yang terdiri dari 3.632 gambar dengan total 8.486 instance kerusakan, mencakup empat kelas utama: lubang, retak buaya, retak garis, dan tambalan. Hasil pengujian pada data uji menunjukkan bahwa skenario terbaik berhasil mencapai performa yang sangat tinggi dengan nilai mean Average Precision pada ambang batas IoU 0.5 (mAP@.50) sebesar 91.6% dan mAP pada rentang IoU 0.50-0.95 (mAP@.50-.95) sebesar 71.5%. Selain akurasi, model ini juga menunjukkan kecepatan inferensi rata-rata 11.7 ms per gambar (85 FPS), yang sangat memadai untuk potensi aplikasi real-time. Penelitian ini membuktikan bahwa dengan konfigurasi fine-tuning yang tepat, model YOLO dapat menjadi solusi yang sangat efektif dan efisien untuk sistem pemantauan infrastruktur jalan otomatis di Indonesia.

Actions (login required)

View Item