Implementasi YOLOv8 dan TensorFlow Lite pada Aplikasi Mobile untuk Deteksi Kerusakan Jalan secara Real-Time

Abstract

Kerusakan jalan seperti lubang dan retak memerlukan mekanisme pelaporan yang cepat, objektif, dan berbasis lokasi agar proses pemeliharaan infrastruktur dapat dilakukan secara lebih responsif. Penelitian ini bertujuan mengembangkan aplikasi mobile berbasis computer vision untuk mendeteksi dan melaporkan kerusakan jalan secara real-time dengan mengintegrasikan model YOLOv8, TensorFlow Lite, kamera smartphone, GPS, basis data lokal, RESTful API Laravel, MySQL, dan dashboard monitoring geografis. Metode penelitian menggunakan pendekatan penelitian dan pengembangan perangkat lunak dengan model Waterfall yang mencakup analisis kebutuhan, desain sistem, implementasi, pengujian fungsional, dan evaluasi model deteksi. Dataset disusun secara hibrida dari dataset publik dan data lokal, lalu dibagi menjadi data latih 70%, validasi 20%, dan uji 10%. Hasil menunjukkan bahwa aplikasi berhasil menjalankan autentikasi, deteksi kamera, pengambilan koordinat, pengiriman laporan daring, penyimpanan laporan saat blank spot, visualisasi peta GIS, dan validasi administrator. Model YOLOv8s yang dikonversi ke format TensorFlow Lite memperoleh rata-rata precision 69,4%, recall 66,6%, dan mAP50 67,7%. Kinerja terbaik terdapat pada kelas pothole dengan mAP50 76,6%, sedangkan kelas crack memperoleh mAP50 58,8% karena bentuk retakan yang tipis dan tidak beraturan. Temuan ini menunjukkan bahwa integrasi edge computing dan server terpusat dapat menjadi solusi awal untuk pelaporan kerusakan jalan yang lebih cepat, meskipun peningkatan dataset lokal dan pendekatan segmentasi masih diperlukan untuk memperbaiki deteksi retakan.

Road damage, including potholes and cracks, requires a fast, objective, and location-based reporting mechanism to support more responsive infrastructure maintenance. This study developed a mobile computer-vision application for real-time road damage detection and reporting by integrating YOLOv8, TensorFlow Lite, smartphone cameras, GPS, local storage, a Laravel RESTful API, MySQL, and a geographic monitoring dashboard. The research adopted a software research-and-development approach using the Waterfall model, covering requirement analysis, system design, implementation, functional testing, and detection-model evaluation. The image dataset was prepared using a hybrid approach that combined public datasets and local field data, with a 70% training, 20% validation, and 10% testing split. The results show that the application successfully performed authentication, camera-based detection, coordinate acquisition, online report submission, offline report storage in blank-spot conditions, GIS map visualization, and administrator validation. The YOLOv8s model converted into TensorFlow Lite achieved an average precision of 69.4%, recall of 66.6%, and mAP50 of 67.7%. The best performance was obtained for pothole detection with an mAP50 of 76.6%, while crack detection reached an mAP50 of 58.8% because cracks are thin, elongated, and irregular visual objects. These findings indicate that the integration of edge computing and centralized server management can provide an initial solution for faster road damage reporting, although larger local datasets and segmentation-based approaches are still needed to improve crack detection.