Analisis Perbandingan Metode RF-DETR dan YOLO26 Dalam Mendeteksi Objek Jalan Berlubang: Comparative Analysis of RF-DETR and YOLO26 Methods in Detecting Pothole Road Objects

Kerusakan jalan berupa lubang merupakan salah satu faktor utama yang dapat mengganggu keselamatan lalu lintas dan menurunkan kualitas infrastruktur. Deteksi manual memiliki keterbatasan dalam cakupan dan kecepatan, sehingga diperlukan solusi deteksi objek otomatis berbasis kecerdasan buatan. Penelitian ini membandingkan dua metode deteksi objek, yaitu YOLO26 dan RF-DETR, dalam mendeteksi objek jalan berlubang. Dataset yang digunakan terdiri dari 2771 dengan anotasi bounding box yang diperoleh dari Roboflow Universe. Dataset dibagi menjadi data, yaitu 70% data train, 20% data valid, dan 10% data test. Pada perbandingan pelatihan kedua model, YOLO26 lebih unggul dalam waktu pelatihan dibandingkan RF-DETR, namun RF-DETR lebih cepat mendapatkan konvergensi kurang dari 20 epoch. Pada kedua model dilakukan evaluasi menggunakan metrik standar seperti Precision, Recall, F1-Score, serta mean Average Precision (mAP@50 dan mAP@50-95). Hasil penelitian menunjukkan bahwa YOLO26 lebih ungul menghasilkan nilai precision tinggi, dengan YOLO26L mencapai precision sebesar 0,7398 dan mAP@50 sebesar 0,4846. Sedangkan RF-DETR unggul dalam recall dengan nilai 0,8089, menandakan kemampuan mendeteksi lebih banyak objek kecil, namun precision lebih rendah. Dengan demikian, YOLO26 lebih sesuai diterapkan pada sistem deteksi kerusakan jalan yang membutuhkan akurasi tinggi dan efisiensi komputasi, sementara RF-DETR tetap relevan untuk konteks yang menekankan cakupan deteksi luas.