<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Perbandingan YOLO11n dan YOLOv8n untuk Deteksi Kerusakan Jalan Multi-Kelas pada Dataset Multi-Wilayah Indonesia: Studi Efisiensi Data dan Potensi Penerapan Berbiaya Rendah

dc.contributor.authorAkhdan, Farrel Muhammad Raihan
dc.date.accessioned2026-11-17T04:46:31Z
dc.date.issued2026
dc.description.abstractKerusakan jalan seperti lubang (pothole) dan retak mengancam keselamatan lalu lintas dan mempercepat kerusakan struktur perkerasan, sementara inspeksi manual masih lambat, mahal, dan sulit diterapkan pada jaringan jalan yang luas. Keberhasilan solusi deteksi otomatis pada konteks ini dinilai dari dua parameter yang saling melengkapi, yaitu akurasi deteksi (mAP) dan efisiensi komputasi (parameter, FLOPs, kecepatan inferensi), dengan pemantauan jalan berbiaya rendah secara berkala—bukan deteksi waktu-nyata pada kendaraan bergerak—sebagai use case utama. Penelitian ini membandingkan YOLOv8n, baseline satu-tahap yang matang dan banyak diadopsi, dengan YOLO11n, generasi lebih baru yang menggunakan backbone lebih efisien dan modul atensi tambahan, untuk menilai manfaatnya pada deteksi kerusakan jalan multi-kelas (pothole, longitudinal_crack, dan alligator_crack) pada kondisi jalan Indonesia. Dataset yang digunakan berupa gabungan 4.088 citra jalan Indonesia yang memadukan 767 citra primer lapangan dari lima provinsi (Kementerian PUPR) dengan 3.321 citra sekunder publik berdomain Indonesia. Evaluasi dilakukan melalui rancangan terkendali 2 x 2 yang menyilangkan dua arsitektur dengan dua kondisi data, yaitu data primer saja serta data gabungan primer dan sekunder. Seluruh model dilatih dengan konfigurasi yang identik dan diuji pada subset pengujian primer terkunci yang sama sebanyak 140 citra, disertai pencegahan kebocoran data melalui deduplikasi berbasis hash konten, sehingga perbandingan bersifat adil. Setiap konfigurasi dilatih dengan tiga seed acak dan hasilnya dilaporkan sebagai rata-rata beserta simpangan baku. Hasil menunjukkan keunggulan YOLO11n atas baseline paling menonjol pada rezim data terbatas, yaitu mAP50 0,354 ± 0,006 dibanding 0,314 ± 0,015, sekaligus lebih stabil antar-seed. Keunggulan tersebut menyempit ketika data pelatihan diperbanyak dengan data sekunder karena YOLOv8n memperoleh peningkatan yang lebih besar, sehingga mengindikasikan YOLO11n lebih efisien-data. Konfigurasi terbaik, yaitu YOLO11n dengan data gabungan, mencapai mAP50 0,369 ± 0,017 dan mAP50-95 0,151 ± 0,013. YOLO11n juga lebih hemat parameter (14,0%), FLOPs (21,2%), dan ukuran model (12,7%) meskipun waktu inferensinya sedikit lebih lama, dengan kedua model beroperasi jauh di atas ambang waktu-nyata. Analisis kesalahan menunjukkan kegagalan didominasi objek yang tidak terdeteksi, bukan kekeliruan antar-kelas, dengan pothole sebagai kelas paling menantang yang tidak terbantu penambahan data sekunder sehingga mengindikasikan kesenjangan domain. Meskipun demikian, efisiensi komputasi dan kestabilan performa yang ditunjukkan YOLO11n tetap mendukung potensinya sebagai solusi pemantauan kerusakan jalan yang lebih murah dan dapat diskalakan dibandingkan inspeksi manual, sekalipun akurasi mutlak masih perlu ditingkatkan pada penelitian lanjutan.
dc.identifier.urihttps://repository.uii.ac.id/handle/123456789/67864
dc.publisherUniversitas Islam Indonesia
dc.subjectdeteksi kerusakan jalan
dc.subjectYOLO11n
dc.subjectYOLOv8n
dc.subjectpembelajaran mendalam
dc.subjectefisiensi data
dc.subjectpemantauan infrastruktur berbiaya rendah
dc.titlePerbandingan YOLO11n dan YOLOv8n untuk Deteksi Kerusakan Jalan Multi-Kelas pada Dataset Multi-Wilayah Indonesia: Studi Efisiensi Data dan Potensi Penerapan Berbiaya Rendah
dc.typeThesis

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
24917011.pdf
Size:
1.98 MB
Format:
Adobe Portable Document Format