Kerusakan jalan tidak hanya mengurangi kenyamanan dalam berkendara, tetapi juga menjadi salah satu penyebab utama kecelakaan lalu lintas. Oleh karena itu, kegiatan pemeliharaan dan perawatan jalan yang dilakukan secara rutin sangat diperlukan untuk mendeteksi kerusakan sejak dini dan menentukan langkah penanganan yang tepat. Seiring dengan perkembangan teknologi, proses identifikasi kerusakan jalan kini dapat ditingkatkan melalui pendekatan otomatis menggunakan teknologi machine learning, yang menawarkan efisiensi serta akurasi tinggi.
Penelitian yang dilakukan oleh Rahmah Arini Fitria pada tahun 2024 ini berfokus pada pengembangan sistem deteksi kerusakan jalan otomatis berbasis machine learning, khususnya dengan menggunakan algoritma Convolutional Neural Network 1 Dimensi (CNN1D). Model yang dikembangkan bersama dosen pembimbing Dr. Ronald Adrian, S.T., M.Eng. berhasil mencapai akurasi deteksi sangat tinggi sebesar 99,8%, menunjukkan keandalan sistem dalam mengenali pola-pola kerusakan pada permukaan jalan.
Selain pengembangan model, penelitian ini juga melakukan evaluasi terhadap efisiensi komputasi dalam penerapan model deteksi pada berbagai lingkungan virtualisasi (hypervisor). Hasil pengujian menunjukkan bahwa implementasi model dalam Container memberikan performa terbaik, dengan waktu komputasi tercepat sebesar 9,424 detik. Kecepatan ini lebih unggul 11,22% dibandingkan VPS Ubuntu, 26,24% dibandingkan Google Colab, dan 91,16% dibandingkan implementasi di mesin Ubuntu lokal.
Temuan ini sangat penting dalam konteks realisasi sistem deteksi jalan secara real-time, karena efisiensi waktu komputasi menjadi salah satu faktor penentu keberhasilan implementasi teknologi di lapangan. Dengan demikian, pendekatan ini tidak hanya mendukung pengembangan sistem transportasi cerdas, tetapi juga dapat meningkatkan keselamatan dan kenyamanan pengguna jalan. Baca selengkapnya di sini.