TY - THES ID - universitasamikomyogyakarta32209 AV - restricted UR - https://eprints.amikom.ac.id/id/eprint/32209/ M1 - bachelor PB - Universitas AMIKOM Yogyakarta A1 - Putro, Anang Sepriyanto Y1 - 2026/01/27/ N2 - Kondisi kerusakan jalan merupakan salah satu permasalahan infrastruktur yang berdampak langsung terhadap keselamatan pengguna jalan, kenyamanan berkendara, serta efisiensi distribusi logistik. Kerusakan seperti retakan, lubang, dan deformasi permukaan jalan sering kali sulit terdeteksi secara cepat apabila masih mengandalkan inspeksi manual, sehingga berpotensi menyebabkan keterlambatan penanganan dan peningkatan risiko kecelakaan. Oleh karena itu, diperlukan suatu pendekatan otomatis berbasis teknologi yang mampu mendeteksi dan mengklasifikasikan tingkat kerusakan jalan secara akurat dan efisien. Penelitian ini menggunakan pendekatan deep learning dengan arsitektur Convolutional Neural Network (CNN) berbasis MobileNetV2 untuk mendeteksi dan mengklasifikasikan tingkat kerusakan jalan. Dataset yang digunakan adalah Road Damage Classification and Assessment yang terdiri dari empat kelas kondisi jalan, yaitu Good, Satisfactory, Poor, dan Very Poor. Tahapan penelitian meliputi akuisisi data, pembagian dataset menjadi data latih, validasi, dan uji, pra-pemrosesan citra (resizing dan normalisasi), augmentasi data untuk meningkatkan variasi citra, pelatihan model menggunakan teknik transfer learning, serta evaluasi kinerja model menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model MobileNetV2 mampu memberikan performa klasifikasi yang baik dengan tingkat akurasi dan F1-score yang tinggi pada data uji. Penerapan pra-pemrosesan dan augmentasi data terbukti meningkatkan kemampuan generalisasi model dalam mengenali berbagai tingkat kerusakan jalan. Kontribusi penelitian ini diharapkan dapat menjadi referensi bagi pengembangan sistem pemantauan kondisi jalan otomatis berbasis citra, yang dapat dimanfaatkan oleh instansi pemerintah, peneliti, serta pengembang sistem cerdas dalam mendukung pemeliharaan infrastruktur jalan yang lebih efektif dan efisien. TI - ANALISIS PERFORMA MOBILENETV2 PADA DETEKSI KERUSAKAN JALAN KW - MobileNetV2 KW - Deteksi kerusakan jalan KW - Deep learning KW - Klasifikasi citra KW - Computer vision KW - Road damage detection KW - Image classification. ER -