IMPLEMENTASI METODE YOLOV9 UNTUK DETEKSI KERUSAKAN JALAN

ABADI, ANGGIT RESTU (2025) IMPLEMENTASI METODE YOLOV9 UNTUK DETEKSI KERUSAKAN JALAN. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text COVER_SKRIPSI FULLTEXT_Anggit Restu Abadi_123190026.pdf Download (458kB)
	Text HALAMAN PESESAHAN PENGUJI.pdf Download (268kB)
	Text HALAMAN PESESAHAN PEMBIMBING.pdf Download (249kB)
	Text ABSTRAK_SKRIPSI FULLTEXT_Anggit Restu Abadi_123190026.pdf Download (150kB)
	Text DAFTAR_ISI_SKRIPSI FULLTEXT_Anggit Restu Abadi_123190026.pdf Download (152kB)
	Text DAFTAR_PUSTAKA_SKRIPSI FULLTEXT_Anggit Restu Abadi_123190026.pdf Download (109kB)
	Text SKRIPSI FULLTEXT_Anggit Restu Abadi_123190026.pdf Restricted to Repository staff only Download (14MB)

Abstract

Penelitian ini mengimplementasikan model YOLOv9-c untuk deteksi dan klasifikasi
empat jenis kerusakan jalan—lubang, retak buaya, retak melintang, dan retak memanjang—
menggunakan pendekatan pembelajaran mendalam. Model dilatih menggunakan subset
terpilih dari Road Damage Dataset (RDD) 2022 yang terdiri dari 4.494 citra, dengan tahapan
prapemrosesan meliputi konversi anotasi dari format Pascal VOC ke YOLO, pembagian data
dengan rasio 80:10:10, serta augmentasi data untuk mengatasi ketidakseimbangan kelas
terutama pada kategori lubang. Pelatihan dilakukan selama 60 epoch menggunakan GPU
NVIDIA RTX 4090, dengan memanfaatkan arsitektur YOLOv9 yang mengintegrasikan
Programmable Gradient Information (PGI) dan Generalized Efficient Layer Aggregation
Network (GELAN).
Hasil evaluasi menunjukkan performa model yang sangat baik dengan nilai mAP50
sebesar 84,5% pada data validasi dan meningkat menjadi 87,2% pada data pengujian, serta
mAP50-95 sebesar 57,3%. Analisis per kelas menunjukkan retak melintang mencapai
performa terbaik dengan mAP50 89,5%, diikuti lubang (87,1%), retak memanjang (86,5%),
dan retak buaya (85,7%). Model juga mencapai nilai presisi 79,9% dan recall 82,2% secara
keseluruhan, mengindikasikan keseimbangan yang baik antara akurasi deteksi dan
kemampuan mendeteksi seluruh kerusakan yang ada.
Penelitian ini memberikan tolok ukur kinerja yang komprehensif untuk implementasi
YOLOv9 dalam konteks deteksi kerusakan jalan. Pengujian menggunakan data primer dari
kondisi lapangan menunjukkan bahwa model memiliki kemampuan generalisasi yang baik,
meskipun masih terdapat tantangan dalam menangani variasi kondisi pencahayaan. Hasil
penelitian mengonfirmasi bahwa YOLOv9 merupakan arsitektur yang efektif untuk tugas
deteksi kerusakan jalan dengan performa yang konsisten di berbagai jenis kerusakan.
Kata kunci: deteksi kerusakan jalan, YOLOv9, pembelajaran mendalam, deteksi objek,
RDD2022

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	ANGGIT RESTU ABADI (Penulis - 123190026) ; Budi Santosa (Pembimbing)
Uncontrolled Keywords:	deteksi kerusakan jalan, YOLOv9, pembelajaran mendalam, deteksi objek, RDD2022
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	14 Oct 2025 02:06
Last Modified:	14 Oct 2025 02:06
URI:	http://eprints.upnyk.ac.id/id/eprint/44306

Actions (login required)

View Item