EVALUATION OF MACHINE LEARNING MODELS FOR ROAD DAMAGE DETECTION AS A FRAMEWORK FOR A ROAD CONDITION MONITORING SYSTEM IN SUBANG
DOI:
https://doi.org/10.51988/jtsc.v6i1.345Keywords:
Deep Learning, CNN, Road Image Classification, EfficientNetB0, Road Damage DetectionAbstract
Unmonitored road infrastructure conditions can lead to delayed maintenance actions and pose safety risks to road users. This study aims to develop an automated classification system for detecting road damage levels based on visual image data using deep learning methods. Three Convolutional Neural Network (CNN) architectures were evaluated in this research: VGG19, MobileNetV2, and EfficientNetB0. Each model was assessed based on training and validation accuracy, loss values, and confusion matrix performance.
Experimental results indicate that the VGG19 and MobileNetV2 model achieved the best performance in classifying road images into four categories: good, moderate, minor damage, and severe damage, showing more stable accuracy and generalization compared to the other models. This model was then integrated into the GIS ASA mobile application, a real-time machine learning-based tool designed to detect road conditions. The classification results from the mobile app are subsequently visualized through the GIS ASA web platform, enabling spatial and interactive monitoring of road damage.
This study demonstrates that the application of deep learning technologies offers an efficient solution for road condition mapping and monitoring. Future improvements may include dataset expansion, field validation, and additional GIS features to support more accurate decision-making in transportation infrastructure management.
References
Aminuddin, R., Rais, M., & others. (2023). Perancangan Aplikasi Pengaduan Kerusakan Jalan Berbasis Geografic Information System (Gis). JURNAL ILMIAH TEKNIK INDUSTRI DAN INOVASI, 1(2), 26–34.
Arkaan, M. A. F., & Utaminingrum, F. (2023). Sistem Deteksi Permukaan Jalan pada Kursi Roda Pintar dengan Metode MobileNetV2. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 7(2), 608–612.
Budiarto, M. R. W., & Utaminingrum, F. (2023). Sistem Klasifikasi Permukaan Jalan dan Penghindaran Jalan Berlubang pada Kursi Roda Pintar dengan Metode MobileNetV3-Small. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 7(5), 2249–2254.
Denaro, L. G., & Lim, R. (2025). Analisis Deteksi Kerusakan pada Jalan Aspal menggunakan Deep Learning untuk Mendukung Efisiensi Biaya dan Waktu dalam Pemantauan Berkelanjutan. Jurnal Dimensi Insinyur Profesional, 3(1), 16–25.
Fauzan, R., & Triadi, A. (2016). Perancangan Aplikasi Pengaduan Kerusakan Jalan Berbasis Geografic Information System (GIS). Jurnal Manajemen Informatika (JAMIKA), 6(2).
Hamzah, A., Putra, I. H., Rizkyandra, K., & Supriadi, I. (2025). Sistem Monitoring Kerusakan Jalan Di Kota Bandung Berbasis Sistem Informasi Geografis (Studi Kasus: Kota Bandung). Jurnal Ilmiah ILKOMINFO-Ilmu Komputer & Informatika, 8(1), 48–59.
Heaton, J. (2018). Ian goodfellow, yoshua bengio, and aaron courville: Deep learning: The mit press, 2016, 800 pp, isbn: 0262035618. Genetic Programming and Evolvable Machines, 19(1), 305–307.
Husain, B. H., Osawa, T., Astiti, S. P. C., Frianto, D., Nandika, M. R., & Agustine, D. (2024). Deteksi Lubang Jalan Secara Otomatis dari Rekaman Drone Menggunakan Model Machine Learning Berbasis YOLOv5 Instance Segmentation di Kota Pekanbaru, Provinsi Riau, Indonesia. Jurnal Zona, 8(2), 137–146.
Idestio, B. D., & Wirayuda, T. A. B. (2014). Alternatif Pengukuran Luas Lubang Jalan Berbasis Data Video Menerapkan Threshold-based Marking dan GLCM. INKOM Journal, 7(2), 57–65.
Karim, R. R. (2024). Implementasi Klasifikasi Senjata Tradisional Jawa Barat Menggunakan Convolutional Neural Network (Cnn) Dengan Metode Transfer Learning. Jurnal Informatika Dan Teknik Elektro Terapan, 12(2).
Kementerian Pekerjaan Umum Dan Perumahan Rakyat, & Direktorat Jenderal Bina Marga. (2021). Manual Aplikasi Sistem Program Pemeliharaan Jalan Provinsi Kabupaten (Provincial Kabupaten Road Management System). Pemerintah Republik Indonesia, 3.
Koch, C., Georgieva, K., Kasireddy, V., Akinci, B., & Fieguth, P. (2015). A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure. Advanced Engineering Informatics, 29(2), 196–210.
Lusiana, L., Wibowo, A., & Dewi, T. K. (2023). Implementasi Algoritma Deep Learning You Only Look Once (YOLOv5) Untuk Deteksi Buah Segar Dan Busuk. Paspalum: Jurnal Ilmiah Pertanian, 11(1), 123–130. https://doi.org/10.35138/paspalum.v11i1.489
Nugraha, V. K. (2025). DETEKSI DAN KLASIFIKASI KERUSAKAN PADA JALAN BERASPAL MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN TRANSFER LEARNING. Universitas Pembangunan Nasional “Veteran” Jawa Timur.
Pramestya, R. H. (2018). Deteksi dan klasifikasi kerusakan jalan aspal menggunakan metode yolo berbasis citra digital. Institut Teknologi Sepuluh Nopember, 91.
Rosyadi, R., Wibowo, A., & Subang, A. (2025). MACHINE LEARNING DALAM PERENCANAAN DAN REHABILITASI RUMAH LAYAK HUNI?: PERSPEKTIF. 69–78.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 4510–4520.
Setiadi, E., & Wibowo, A. (n.d.). Klasifikasi dan Deteksi Keretakan Pada Trotoar Menggunakan Metode Convolutional Neural Network.
Setiawan, B. (2013). Monitoring Kondisi Jalan Berbasis Sistem Informasi Geografis Untuk Membantu Perencanaan dan Pembangunan Jalan Kota Depok. UG Journal, 7(5).
Setiyadi, E., & others. (2023). KLASIFIKASI DAN DETEKSI KERETAKAN PADA TROTOAR MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK: Classification and Detection of Cracks on Sidewalks Using the Convolutional Neural Network Method. JURNAL TEKNIK SIPIL CENDEKIA (JTSC), 4(1), 412–427.
Setiyowati, R., Saputro, D. R. S., & Widyaningsih, P. (2021). Pelatihan Pembuatan Peta Digital Berbasis Sistem Informasi Geografis Di Desa Rejoso. Aptekmas Jurnal Pengabdian Pada Masyarakat, 4(4), 51–56.
Soesanto, O., Idris, M., & Hastomo, H. D. (2022). Segmentasi vegetasi lahan basah berbasis modified-camera drone. Prosiding Seminar Nasional Lingkungan Lahan Basah, 7(1).
Suhendi, H., & Ali, F. U. (2020). Sistem Informasi Geografis Berbasis Web Untuk Pemetaan Jalan Dan Jembatan Di Kota Cirebon. Naratif: Jurnal Nasional Riset, Aplikasi Dan Teknik Informatika, 2(1), 6–15.
Sukma, M., Wibowo, A., Sabri, F., & Irwan, A. G. (2024). Analisis Beban Tekan Pada Struktur Bangunan Dari Aplikasi Sap2000 Menggunakan Machine Learning. Jurnal Teknik Sipil Cendekia (Jtsc), 5(2), 993–1004. https://doi.org/10.51988/jtsc.v5i2.219
Susanto, S., & Wibowo, A. (2024). ANALISIS KEEFEKTIFAN PENCAHAYAAN BUATAN DALAM RUANGAN MENGGUNAKAN MACHINE LEARNING (Studi Kasus Data Sensor Lingkungan Dan Konsumsi Listrik Smart Building). Jurnal Arsitektur ARCADE, 8(1), 59–70. https://doi.org/10.31848/arcade.v8i1.3392
Syahri, M. (2024). APLIKASI IDENTIFIKASI KERUSAKAN JALAN MENGGUNAKAN METODE DEEP LEARNING DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK. Universitas Nasional.
Ukhwah, E. N. (2019). Deteksi Kerusakan Jalan Menggunakan CNN Dengan Arsitektur YOLO. Institut Teknologi Sepuluh Nopember.
Upadhyay, S., Jain, J., & Prasad, R. (2024). Early Blight and Late Blight Disease Detection in Potato Using Efficientnetb0. International Journal of Experimental Research and Review, 38, 15–25.
Utama, R. M., & Farida, I. (2016). Evaluasi Kondisi Struktural Pada Jalan Berdasarkan Hubungan Antara Ketidakrataan Permukaan Jalan (IRI) dan Indeks Kondisi Jalan (RCI)(Studi Kasus Ruas Jalan Selajambe-Cibogo-Cibeet, Cianjur). Jurnal Konstruksi, 14(1).
Vedaldi, A., & Zisserman, A. (2016). Vgg convolutional neural networks practical. Department of Engineering Science, University of Oxford, 66.
Wibowo, A. (2022). Prediksi Kekuatan Gempa Menggunakan Machine Learning dengan Model XGBoost sebagai Langkah Strategis dalam Perencanaan Struktur Bangunan Tahan Gempa di Indonesia. MESA: Jurnal Teknik, 6(1), 18–29. mailto:ariwibowo@unsub.ac.id
Wibowo, A., & Setiadi, E. (2024). Uji Kelayakan Konstruksi Balok Pt Daeyung Dari Aplikasi Sap2000 Menggunakan Machine Learning Dengan Model Linier Regression. Jurnal Teknik Sipil Cendekia (Jtsc), 5(1), 799–814. https://doi.org/10.51988/jtsc.v5i1.185
Wibowo, A., & Yulianto, Y. (2023). Deteksi Keretakan Jalan Aspal Menggunakan Metode Convolutional Neural Network. Jurnal Teknik Sipil Cendekia (Jtsc), 4(2), 581–593. https://doi.org/10.51988/jtsc.v4i2.132
Yastawan, I. N., Wedagama, D. M. P., & Ariawan, I. M. A. (2021). Penilaian Kondisi Jalan Menggunakan Metode SDI (Surface Distress Index) Dan Inventarisasi Dalam GIS (Geographic Information System) Di Kabupaten Klungkung. Jurnal Spektran, 9(2), 181.
Zhang, A. A., Shang, J., Li, B., Hui, B., Gong, H., Li, L., Zhan, Y., Ai, C., Niu, H., Chu, X., Nie, Z., Dong, Z., He, A., Zhang, H., Wang, D., Peng, Y., Wei, Y., & Cheng, H. (2024). Intelligent pavement condition survey: Overview of current researches and practices. Journal of Road Engineering, 4(3), 257–281. https://doi.org/https://doi.org/10.1016/j.jreng.2024.04.003
Zou, Q., Zhang, Z., Li, Q., Qi, X., Wang, Q., & Wang, S. (2019). DeepCrack: Learning Hierarchical Convolutional Features for Crack Detection. IEEE Transactions on Image Processing, 28(3), 1498–1512. https://doi.org/10.1109/TIP.2018.2878966
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Jurnal Teknik Sipil Cendekia (JTSC)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
