Optimasi Model Yolov11 Untuk Deteksi Kerusakan Jalan Menggunakan Pendekatan Knowledge Distillation

Alfarisi, Dafa Fawwaz (2026) Optimasi Model Yolov11 Untuk Deteksi Kerusakan Jalan Menggunakan Pendekatan Knowledge Distillation. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5026221158-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Kecelakaan lalu lintas bisa menyebabkan kerugian secara fisik atau materi bagi pengguna jalan. Data Pusat Informasi Kriminal Nasional Polri (Pusiknas Polri) bulan Januari hingga awal November tahun 2025 menunjukkan bahwa kecelakaan lalu lintas telah menimbulkan 191.426 korban dan kerugian materi lebih dari 249 miliar rupiah. Salah satu penyebab kecelakaan yang disebutkan adalah kondisi jalan yang rusak. Kerusakan jalan sendiri telah mengakibatkan lebih dari 1200 korban dan kerugian sebesar 1.3 miliar rupiah menurut data tersebut. Oleh karena itu dibutuhkan sebuah sistem deteksi kerusakan jalan otomatis untuk mempermudah proses perbaikan jalan dan meningkatkan keselamatan pengendara. Tugas akhir ini akan memberikan solusi dengan membuat model deep learning berbasis YOLOv11 dengan pendekatan knowledge distillation untuk mendeteksi kerusakan jalan. Pendekatan ini bisa mengurangi ukuran model dan biaya komputasinya tanpa mengorbankan performa yang signifikan. Sehingga model YOLOv11 bisa melakukan deteksi otomatis berbagai jenis kerusakan seperti lubang jalan (pothole), retakan (cracks), dan tutup saluran air yang terbuka (open manhole) dengan cepat pada perangkat yang terbatas. Harapan tugas akhir ini yaitu dapat menghasilkan model berbasis YOLOv11 yang bisa dijalankan dengan baik dan optimal untuk mempermudah proses deteksi kerusakan jalan dan meningkatkan keselamatan pengendara. Tugas akhir ini menunjukkan bahwa model YOLOv11n berhasil mencapai skor mAP50 sebesar 0.86 dengan kecepatan 322.58 Frame Per Second (FPS). Sedangkan pendekatan feature map based knowledge distillation bisa meningkatkan skor mAP50 hingga 3.6 % pada model student YOLOv11s yang telah dimodifikasi dengan backbone MobilenetV3. Sehingga berdasarkan berbagai hasil pada penelitian ini dapat disimpulkan bahwa model YOLOv11 bisa melakukan deteksi kerusakan pada jalan dengan performa yang akurat serta kecepatan yang tinggi dengan model yang cukup ringan. Selain itu metode knowledge distillation juga berhasil meningkatkan performa model dari segi akurasi tanpa adanya tradeoff dari sisi keringanan model yang signifikan.
================================================================================================================================================
Traffic accidents can result in physical injury or material loss for road users. Data from the Indonesian National Police Criminal Information Center (Pusiknas Polri) from January to early November 2025 indicates that traffic accidents resulted in 191,426 casualties and material losses exceeding 249 billion rupiah. One of the cited causes of these accidents is damaged road conditions. According to the data, road damage alone has accounted for over 1,200 casualties and financial losses amounting to 1.3 billion rupiah. Therefore, an automated road damage detection system is necessary to help road repair processes and enhance motorist safety.
This final project proposes a solution by developing a YOLOv11-based deep learning model utilizing a knowledge distillation approach to detect road damage. This approach reduces model size and computational costs without significantly compromising performance. So the YOLOv11 model can rapidly and automatically detect various types of damage such as potholes, cracks, and open manholes on hardware limited devices. The objective of this final project is to produce a YOLOv11-based model to streamline the road damage detection process and enhance motorist safety. This study shows that the YOLOv11n model achieves an mAP50 score of 0.86 at 322.58 Frames Per Second (FPS). On the other hand, the feature map based knowledge distillation approach successfully boosts the mAP50 score by up to 3.6% on the modified YOLOv11s student model with a MobileNetV3 backbone. Based on these findings, it is concluded that the YOLOv11 model can accurately detect road damage at high running speed while remaining lightweight. Additionally, knowledge distillation effectively enhances model accuracy without a significant trade-off in model efficiency.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	YOLOv11, Knowledge Distillation, Object Detection, Lubang Jalan, Retakan Jalan, YOLOv11, Knowledge Distillation, Object Detection, Pothole, Cracks
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Dafa Fawwaz Alfarisi
Date Deposited:	31 Jul 2026 03:38
Last Modified:	31 Jul 2026 03:38
URI:	http://repository.its.ac.id/id/eprint/140721

Actions (login required)

View Item