ANALISIS KOMPARATIF MODEL YOLO DAN PENGARUH OVERSAMPLING ON-THE-FLY TERHADAP KINERJA DETEKSI KERUSAKAN JALAN

Deteksi kerusakan jalan otomatis menggunakan teknologi computer vision masih menjadi tantangan penelitian aktif, terutama terhadap masalah dataset yang tidak seimbang (imbalance) dan juga terhadap variasi kondisi permukaan jalan. Meskipun metode deep learning (YOLO) telah banyak diterapkan, perbandingan kinerja komprehensif antar arsitektur terbaru dan pengaruh strategi penyeimbangan data masih perlu dianalisis. Penelitian ini bertujuan untuk membandingkan kinerja YOLO generasi terbaru (YOLOv8, YOLOv9, YOLOv10, dan YOLO11) serta melakukan studi ablasi untuk mengetahui pengaruh oversampling on-the-fly. Penelitian ini dimulai dengan pengumpulan data citra kerusakan jalan (pothole, crack dan manhole) dari sumber publik: “potholes, cracks and openmanholes (Road Hazards)” di Kaggle. Setelah proses pembersihan data, eksperimen dilakukan dengan menggunakan 1845 gambar. Rasio yang digunakan untuk pembagian set data train:valid:test adalah 70:15:15. Dataset ini kemudian dilatih menggunakan empat arsitektur YOLO dengan dua studi kasus: dataset tidak seimbang (imbalance) dan dataset seimbang (balance) yang dicapai melalui teknik oversampling on-the-fly terhadap kelas minoritas. Kinerja model kemudian dievaluasi menggunakan metrik Precision, Recall, F1-Score, mAP50, dan mAP50-95. Hasil dari penelitian ini menunjukkan tidak adanya indikasi overfitting yang signifikan dan mengonfirmasi kemampuan generalisasi model yang kuat. Penerapan oversampling on-the-fly terbukti secara kuantitatif meningkatkan kinerja semua model, dengan peningkatan mAP50-95 tertinggi pada YOLO11m (+0,055). Strategi ini berhasil meningkatkan deteksi pada kelas minoritas (crack dan manhole) tanpa menurunkan kinerja kelas mayoritas (pothole). Pada skenario pengujian dataset seimbang, YOLO11m (mAP50-95: 0,468) dan YOLOv8m (mAP50-95: 0,467) menunjukkan performa keseluruhan terbaik. Temuan unik ditunjukkan oleh YOLOv9m yang mencapai nilai Precision tertinggi yaitu 0,914.