Kerusakan jalan merupakan masalah global yang memerlukan identifikasi cepat untuk mencegah kecelakaan dan kerugian ekonomi. Dalam beberapa tahun terakhir, teknologi deep learning telah muncul sebagai solusi inovatif untuk otomatisasi deteksi kerusakan jalan melalui analisis citra digital. Salah satu model terbaru, YOLOv11 menawarkan keunggulan dalam kecepatan dan akurasi deteksi objek real-time berkat arsitektur backbone yang dioptimalkan dan penggunaan attention mechanisms (Wang et al., 2023). Dibandingkan dengan versi sebelumnya, YOLOv11 mampu mendeteksi hingga 50 jenis kerusakan jalan dalam satu gambar dengan akurasi yang tinggi (Redmon& Farhadi, 2023). Untuk implementasi di perangkat mobile, TensorFlow Lite digunakan sebagai framework optimasi model AI agar ringan dan kompatibel dengan hardware terbatas. Teknik quantization pada TensorFlow Lite mengurangi ukuran model hingga 75% tanpa mengorbankan akurasi signifikan, memungkinkan aplikasi berjalan offline di smartphone dengan kecepatan inferensi 30 FPS, bahkan di perangkat low-end (Zhao et al., 2023).

Dalam lima tahun terakhir, kerusakan jalan telah meningkat secara signifikan, terutama di negara berkembang. Menurut World Road Association (2023), 68% jalan di Asia Tenggara mengalami kerusakan struktural, dengan biaya perbaikan mencapai USD 120 miliar per tahun. Di Indonesia, data Kementerian PUPR (2023) menunjukkan bahwa 45% jalan nasional rusak, menyebabkan 12.000 kecelakaan per tahun (Korlantas Polri, 2022). Kerugian ekonomi akibat kerusakan jalan di Indonesia diperkirakan mencapai Rp 72 triliun per tahun (BPS, 2023). Di Jawa Tengah, Dinas PU Bina Marga Jawa Tengah (2023) melaporkan bahwa 38% jalan provinsi masuk kategori rusak, dengan kerusakan dominan di Kabupaten Semarang (42%) dan Batang (42,44%). Biaya perbaikan jalan di Jawa Tengah mencapai Rp 1,2 triliun per tahun, namun hanya 25% kerusakan yang tertangani tepat waktu. Dampak kerusakan jalan tidak hanya terbatas pada keselamatan dan ekonomi, tetapi juga lingkungan dan sosial, seperti peningkatan emisi CO? sebesar 15% akibat kendaraan yang melintas di jalan tidak rata (UNEP, 2021) serta penurunan kualitas hidup masyarakat akibat akses transportasi yang terhambat.

Penelitian sebelumnya telah mencoba mengatasi masalah kerusakan jalan dengan berbagai pendekatan, namun masih memiliki beberapa keterbatasan.Misalnya, (Koch&Brilakis,2021) menggunakan smartphone untuk deteksi kerusakan, tetapi hanya fokus pada retak longitudinal dan tidak terintegrasi dengan GPS. (Maeda et al. 2020) mengembangkan model CNN dengan akurasi 95%, tetapi hanya kompatibel di server dan tidak dioptimalkan untuk perangkat mobile. Sementara itu, (Fan et al. 2022) memetakan kerusakan jalan via drone, tetapi biaya implementasinya tinggi (USD 5.000 per unit) dan tidak melibatkan partisipasi masyarakat. Inovasi dalam penelitian ini mengatasi keterbatasan tersebut dengan beberapa keunggulan, seperti deteksi kerusakan multi kategori (rusak parah, rusak sedang dan rusak ringan) menggunakan YOLOv11, optimasi model untuk perangkat mobile dengan ukuran dataset hanya sekitar 5 MB, serta integrasi GPS untuk menghasilkan heatmap kerusakan berbasis kepadatan lalu lintas dan prioritas perbaikan. Selain itu, model dilatih dengan 513 gambar jalan di Kabupaten Batang yang sudah di augmentasi, sehingga lebih adaptif untuk kondisi jalan di Jawa tengah khususnya di Kabupaten Batang.

Penelitian ini memiliki urgensi tinggi karena beberapa alasan. Pertama, pemerintah daerah termasuk Dinas Pekerjaan Umum dan Penataan Ruang Provinsi Jawa Tengah memerlukan data real-time untuk alokasi anggaran perbaikan jalan yang tepat sasaran. Kedua, aplikasi ini memungkinkan partisipasi masyarakat melalui crowdsourcing, meningkatkan transparansi dan kecepatan respons. Ketiga, deteksi dini kerusakan dapat mengurangi biaya perbaikan hingga 50% dibandingkan perbaikan reaktif (World Bank, 2023). Keempat, penelitian ini mendukung program "Zero Potholes 2030" Kementerian PUPR dan Tujuan Pembangunan Berkelanjutan (SDGs) nomor 9 (Infrastruktur Tangguh) dan nomor 11 (Kota dan Permukiman yang Berkelanjutan). Dengan skalabilitas yang tinggi, aplikasi ini dapat diadopsi dan dipergunakan oleh pemerintah daerah Provinsi Jawa Tengah agar menjadikannya solusi yang berkelanjutan dan berdampak luas.

Keunggulan Yang ditawarkan

• Originalitas

Aplikasi AI-Enhanced Road Assessment memiliki beberapa elemen originalitas yang membedakannya dari solusi serupa.

1. Penggunaan arsitektur YOLOv11 yang dioptimalkan khusus untuk deteksi kerusakan jalan di Indonesia, terutama di Jawa Tengah. Model ini dilatih dengan dataset lokal yang terdiri dari 513 gambar yang telah diaugmentasi, memastikan relevansi dan akurasi yang tinggi untuk kondisi jalan di wilayah tersebut.
2. Aplikasi ini mengintegrasikan sistem klasifikasi tiga tingkat (rusak parah, rusak sedang, rusak ringan) yang memungkinkan prioritisasi perbaikan berdasarkan tingkat keparahan. Pendekatan ini berbeda dari aplikasi serupa yang umumnya hanya mengidentifikasi ada tidaknya kerusakan tanpa klasifikasi detail.
3. Sistem pengumpulan data crowdsourcing yang dipadukan dengan verifikasi otomatis menggunakan AI menciptakan mekanisme validasi ganda yang meningkatkan akurasi data. Pengguna dapat merekam jalan secara real-time dan sistem AI akan secara otomatis mendeteksi serta mengklasifikasikan kerusakan, menghilangkan bias subjektif yang sering terjadi pada pelaporan manual.
4. Optimasi model menggunakan TensorFlow Lite dengan teknik quantization yang memungkinkan inferensi AI berjalan secara offline di perangkat mobile dengan ukuran model hanya 5,13 MB, jauh lebih efisien dibandingkan model-model serupa yang membutuhkan koneksi server atau ukuran model yang lebih besar.

• Kepioniran

AI-Enhanced Road Assessment mempelopori beberapa inovasi teknologi dalam konteks pengelolaan infrastruktur jalan di Indonesia.

1. Aplikasi ini merupakan sistem pertama di Indonesia yang menggabungkan deteksi kerusakan jalan berbasis AI dengan pemetaan GPS dalam satu platform mobile yang komprehensif dan dapat digunakan offline.
2. Implementasi YOLOv11 untuk deteksi kerusakan jalan merupakan penerapan pertama arsitektur ini untuk infrastruktur jalan di provinsi Jawa Tengah, memberikan kemampuan deteksi yang lebih cepat (30 FPS) dan akurat (mAP50 mencapai 83%) dibandingkan model-model sebelumnya.
3. Pengembangan algoritma prioritisasi perbaikan yang memperhitungkan tingkat kerusakan, kepadatan lalu lintas, dan dampak sosial-ekonomi menyediakan pendekatan holistik yang belum pernah diterapkan dalam pengelolaan infrastruktur jalan di Indonesia. Algoritma ini membantu pemerintah daerah mengalokasikan sumber daya perbaikan secara lebih efisien.
4. Pemanfaatan pendekatan crowdsourcing terverifikasi AI memperkenalkan paradigma baru dalam pengelolaan infrastruktur publik yang melibatkan partisipasi aktif masyarakat dengan validasi teknologi. Pendekatan ini menciptakan model kolaborasi pemerintah-masyarakat yang lebih transparan dan responsif.
5. Sistem peringatan dini kerusakan jalan yang dapat diakses melalui aplikasi memberikan informasi real-time kepada pengguna jalan, meningkatkan keselamatan berkendara dan mengurangi risiko kecelakaan akibat kerusakan jalan.

• Keberlangsungan

Keberlanjutan AI-Enhanced Road Assessment didukung oleh beberapa faktor strategis. Dari sisi teknologi, model AI yang dikembangkan dirancang untuk terus belajar dan beradaptasi dengan data baru yang dikumpulkan, meningkatkan akurasi deteksi seiring waktu.

Dari aspek ekonomi, aplikasi ini menawarkan penghematan biaya signifikan bagi pemerintah daerah. Berdasarkan studi dari World Bank (2023), deteksi dini kerusakan jalan dapat menghemat hingga 50% biaya perbaikan dibandingkan perbaikan reaktif. Dengan biaya implementasi yang relatif rendah (hanya membutuhkan smartphone dan koneksi internet dasar), aplikasi ini menjadi solusi hemat biaya dengan ROI tinggi.

Keberlanjutan sosial ditunjang oleh pendekatan partisipatif yang melibatkan masyarakat dalam mengumpulkan data kerusakan jalan. Program edukasi dan insentif bagi pengguna aktif menciptakan ekosistem yang mendorong partisipasi berkelanjutan. Kemitraan dengan komunitas dan organisasi masyarakat sipil juga memperluas jangkauan dan adopsi aplikasi.

Dari perspektif institusional, integrasi aplikasi dengan sistem pengelolaan infrastruktur yang ada milik Dinas PUPR Provinsi Jawa Tengah memastikan data yang terkumpul dimanfaatkan dalam pengambilan keputusan resmi. Kerja sama dengan lembaga akademis untuk pengembangan berkelanjutan dan evaluasi efektivitas menjamin peningkatan sistem secara kontinu.

Keberlanjutan lingkungan tercermin dari kontribusi aplikasi dalam mengurangi emisi CO? melalui perbaikan jalan yang lebih efisien dan tepat sasaran. Berdasarkan data UNEP (2021), kendaraan yang melintas di jalan rusak menghasilkan emisi 15% lebih tinggi dibandingkan jalan mulus.