Deteksi Kerusakan Jalan Menggunakan Citra BerbasisYolov9

Kerusakan jalan adalah salah satu faktor utama yang berkontribusi terhadap kecelakaan lalu lintas. Identifikasi dan perbaikan yang cepat dari jalan yang rusak sangat penting dalam manajemen infrastruktur jalan manajemen infrastruktur jalan. Penelitian ini bertujuan untuk mengembangkan metode yang efektif untuk mendeteksi kerusakan jalan, dengan memanfaatkan algoritma YOLOv9 sebagai kunci komponen, seperti retakan dan lubang, dengan menggunakan pendekatan Convolutional Neural Network (CNN). YOLOv9 dipilih karena arsitekturnya yang efisien, yang memungkinkan deteksi objek secara real-time, dan efektivitasnya yang telah terbukti dalam berbagai tugas pendeteksian objek. Sebuah set data beranotasi dari gambar jalan digunakan selama proses proses pelatihan dan pengujian. Hasilnya menunjukkan bahwa model YOLOv9 dapat mendeteksi kerusakan jalan secara akurat. Model tersebut mencapai presisi 0,85 dan recall 0,992 untuk deteksi lubang, dan presisi 0,94 untuk deteksi retakan. Evaluasi menggunakan mAP50 menghasilkan skor 0,96, sementara mAP50-95 mencapai 0,77, yang menunjukkan kemampuan deteksi dan klasifikasi yang kuat. Penurunan yang konsisten dalam fungsi kerugian selama pelatihan juga menandakan pembelajaran yang efektif yang efektif oleh model. Temuan ini menunjukkan bahwa YOLOv9 memiliki potensi untuk diimplementasikan dalam sistem deteksi kerusakan jalan otomatis yang dapat mempercepat proses pemeliharaan dan meningkatkan keselamatan pengguna jalan.

Kata kunci: YOLOv9, Deteksi Kerusakan Jalan, CNN, Deep Learning