Implementasi Model Yolov11 Berbasis Convolutional Neural Network ( CNN ) Untuk Deteksi Jalan Berlubang

Penelitian ini bertujuan untuk mengimplementasikan model YOLOv11 berbasis Convolutional Neural Network (CNN) dalam mendeteksi jalan berlubang pada citra digital. Permasalahan jalan berlubang membutuhkan sistem deteksi yang mampu bekerja secara cepat, objektif, dan adaptif terhadap variasi kondisi jalan. Penelitian ini menggunakan dataset gabungan sebanyak 947 gambar, yang terdiri atas 537 gambar primer hasil pengambilan langsung di lapangan dan 410 gambar sekunder dari Kaggle. Data tersebut melalui tahapan pre-processing, pembagian dataset, pelatihan model, evaluasi, dan implementasi sistem. Model YOLOv11 dievaluasi menggunakan metrik Precision, Recall, F1-score, dan [email protected] pada data validasi. Hasil evaluasi menunjukkan bahwa model memperoleh nilai Precision 0,919, Recall 0,888, F1-score 0,903, dan [email protected] 0,953. Hasil tersebut menunjukkan bahwa YOLOv11 memiliki performa yang baik dalam mendeteksi dan melokalisasi objek jalan berlubang. Implementasi model dilakukan melalui aplikasi dengan fitur Upload Image dan kamera smartphone berbasis real-time. Sistem mampu menampilkan hasil deteksi berupa bounding box, label objek, dan status kondisi jalan. Dengan demikian, model YOLOv11 dapat diterapkan sebagai sistem deteksi otomatis untuk membantu pemantauan kerusakan jalan pada kondisi nyata.

Kata Kunci: CNN, deteksi jalan berlubang, real-time, visi komputer, YOLOv11