Penelitian ini berhasil mengimplementasikan pendekatan Transfer
Learning menggunakan model ResNet50 untuk mendeteksi dan
mengklasifikasikan kerusakan jalan dengan tingkat akurasi sebesar 98%.
Proses klasifikasi dilakukan dengan kecepatan 1 detik per frame,
menunjukkan efisiensi yang tinggi dalam pengolahan citra. Evaluasi
model melalui pengujian ROC AUC menghasilkan skor sempurna
sebesar 1.0, dengan nilai Kappa mencapai 0.96, menegaskan keandalan
model dalam memisahkan jenis-jenis kerusakan jalan. Selanjutnya,
implementasi pendeteksian dan pengklasifikasian secara Real-Time pada
platform RaspberryPI4 telah berhasil, dan berhasil diintegrasikan dengan
database untuk pengolahan lebih lanjut. Integrasi ini menjadikan data
kerusakan jalan untuk ditampilkan pada dashboard dengan efisiensi dan
kemudahan akses, mendukung proses pengambilan keputusan yang lebih
cepat dan tepat. Selain itu, sistem ini mampu secara efektif mendeteksi
dan mengklasifikasikan laporan masyarakat terkait kerusakan jalan. Hal
ini memungkinkan Dinas PUPR untuk melakukan validasi laporan
dengan lebih akurat, memastikan kevalidan informasi yang diterima dan
mendukung perencanaan perbaikan infrastruktur jalan yang lebih efisien
dan efektif.