Jalan yang tidak terawat berkontribusi pada jumlah kematian kecelakaan lalu lintas yang terjadi setiap tahun. Kondisi dari jalan rusak di Indonesia mencapai sekitar 2500 mil atau lebih dari 8% dari total jalan nasional. Semakin tinggi jumlah kerusakan jalan, kemungkinan kecelakaan lalu lintas akibat kerusakan jalan juga meningkat.Perbaikan jalan secara komprehensif dan berkelanjutan perlu dilakukan untuk mencegah resiko tersebut, namun survei kerusakan jalan yang ada saat ini masih menggunakan cara konvensional yang tidak efektif dari segi waktu, biaya, dan tenaga. Berbagai cara telah ditempuh untuk pengembangan teknik survei kerusakan jalan, baik melalui aplikasi mobile, Accelerometer, hingga Image Processing dengan teknologi Deep Learning. Pada penelitian ini dilakukan pengembangan teknologi survei kerusakan jalan berbasis Image Processing menggunakan Deep Learning Convolutional Neural Network dengan pre-trained model MobileNet V2. Metode klasifikasi tingkat kerusakan jalan menggunakan metode Surface Distress Index (SDI), dengan pemfokusan parameter pada jumlah dan ukuran lubang, untuk penentuan tingkat kualitas jalan apakah baik, sedang, rusak ringan, atau rusak berat. Sistem ini dijalankan menggunakan Jetson Nano sehingga dapat dipasang pada kendaraan untuk deteksi kerusakan jalan secara real-time. Data gambar, lokasi dan tingkat kerusakan jalan ditampilkan melalui platform website sebagai sistem informasi kerusakan jalan. Hasil penelitian menunjukkan bahwa model dengan pre trained model SSD MobileNet V2 dan Hyperparameter batch size 8, menghasilkan mAP sebesar 0.0869 dan total loss training sebesar 0.6028, lebih optimal dibandingkan penggunaan batch size yang lebih rendah atau pre trained model SSD Resnet50 V1. Pengujian implementasi hardware menunjukkan presisi hasil deteksi pada range 60 – 100 % untuk jalan sepanjang 1 kilometer.