Studi ini berfokus pada pengembangan dan analisis sistem untuk mengidentifikasi kerusakan permukaan jalan, termasuk cekungan berisi air, menggunakan pendekatan pembelajaran mendalam. Penelitian ini secara sistematis mengevaluasi sebuah model deteksi objek terkemuka melalui penyetelan hyperparameter yang ekstensif, menggunakan algoritma Grid Search, Random Search, dan optimisasi Bayesian untuk menentukan konfigurasi pelatihan yang paling efektif. Hasil dari berbagai skenario penyetelan secara konsisten mengidentifikasi kombinasi optimizer Adam dan ukuran batch 16 sebagai pengaturan yang paling optimal, mencapai mean Average Precision berkisar antara 0,73 hingga 0,86 dan presisi akhir 0,77 dengan recall 0,739 dalam pelatihan manual. Dalam uji coba penerapan, NVIDIA Jetson AGX Orin terbukti menjadi perangkat keras yang paling efektif, memberikan kinerja superior dibandingkan PC standar dan Jetson Nano, dan pengujian di dunia nyata menetapkan bahwa kecepatan kendaraan yang optimal untuk deteksi adalah antara 10 hingga 15 kilometer per jam. Temuan utama dari penelitian ini adalah dampak signifikan dari sebuah pustaka optimisasi model, yang secara dramatis meningkatkan kinerja sistem dari rata-rata 21,8 frame per detik menjadi 166,7 frame per detik sambil mengurangi waktu inferensi rata-rata dari 16,7ms menjadi 8,11ms. Peningkatan kinerja ini disertai dengan sedikit penurunan akurasi deteksi sebesar 1 hingga 2 persen, yang menyoroti adanya pertukaran antara kecepatan dan presisi. Akurasi sistem terpantau menurun dalam kondisi setelah hujan lebat, yang menunjukkan bahwa penelitian di masa depan harus menyertakan kumpulan data yang lebih bervariasi untuk meningkatkan ketahanan dalam berbagai kondisi lingkungan.