Pemeriksaan kerusakan jalan secara manual memakan banyak waktu dan rentan terhadap kesalahan, padahal kerusakan seperti retak memanjang (longitudinal crack), retak melintang (transverse crack), retak buaya (alligator crack), dan lubang (pothole) berpotensi mengganggu kenyamanan, memperlama waktu tempuh, dan membahayakan pengguna jalan. Diperlukan sebuah solusi yang lebih efisien dan akurat untuk mendeteksi kerusakan ini, terutama di wilayah perkotaan dengan lalu lintas padat. Penelitian ini mengusulkan sebuah sistem deteksi kerusakan jalan berbasis drone dan machine learning. Drone digunakan untuk survei visual, sementara algoritma YOLOv5s dilatih dengan 6.233 gambar untuk mengklasifikasikan empat jenis kerusakan jalan yang disebutkan di atas. Sistem ini dilengkapi dengan antarmuka grafis (GUI) yang menampilkan hasil deteksi secara real-time dan mencatatnya dalam log riwayat, lengkap dengan data lokasi GPS. Sistem yang dikembangkan terbukti efektif dan efisien, menawarkan solusi yang jauh lebih cepat dibandingkan inspeksi manual yang umum dilakukan. Berdasarkan data perbandingan, waktu rata-rata yang diperlukan untuk survei jalan menggunakan metode manual adalah 37.713,83 menit, sedangkan dengan sistem berbasis drone dan machine learning ini, waktu yang dibutuhkan dapat ditekan menjadi 4.123,09 menit (mengadopsi efisiensi serupa dengan aplikasi Roadroid). Perbedaan signifikan ini membuktikan bahwa implementasi sistem ini dapat mempercepat proses inspeksi secara drastis dan memberikan data yang akurat, lengkap dengan lokasi GPS, bagi pemerintah atau pihak terkait untuk perencanaan perbaikan yang lebih cepat dan terarah.

Kata Kunci: Longitudinal crack, transverse crack, alligator crack, pothole, YOLOv5s, drone dan machine learning