Pembentukan lubang jalan di permukaan jalan merupakan masalah signifikan yang memengaruhi keselamatan jalan dan arus lalu lintas, terutama di negara-negara berkembang. Lubang jalan berkontribusi terhadap kecelakaan jalan, kematian, cedera, dan peningkatan biaya pengoperasian kendaraan. Metode deteksi saat ini, seperti sistem pelaporan publik dan sensor jalan, menghadapi keterbatasan, termasuk penundaan waktu, personel verifikasi yang tidak memadai, dan pemantauan yang tidak konsisten. Beberapa penelitian telah mengeksplorasi otomatisasi deteksi lubang jalan. Studi ini memperkenalkan perbandingan langsung tiga versi model YOLO terbaru (YOLOv9, YOLOv10, YOLOv11), mengevaluasi kekuatan dan kelemahan mereka dalam deteksi lubang jalan dengan menyesuaikan berbagai hiperparameter dan kumpulan data yang mensimulasikan kondisi jalan nyata. Kebaruan dari penelitian ini, dibandingkan dengan penelitian sebelumnya, terletak pada demonstrasi bagaimana kemajuan dalam arsitektur YOLO melalui perbandingan tiga varian model—YOLOv9, YOLOv10, dan YOLOv11—meningkatkan deteksi lubang jalan otomatis dan mengatasi tantangan seperti karakteristik lubang jalan yang beragam, termasuk bentuk, ukuran, kedalaman, dan tampilan yang bervariasi dalam kondisi pencahayaan, cuaca, dan tekstur permukaan jalan yang berbeda. Lebih jauh, proses deteksi mengatasi faktor-faktor seperti bayangan, lubang jalan berisi air, dan fitur jalan yang tampak serupa yang dapat menyebabkan hasil positif palsu. YOLOv11, khususnya varian sedang (YOLOv11m), menunjukkan kinerja yang lebih unggul dibandingkan dengan YOLOv9 dan YOLOv10, mencapai skor mAP50 masing-masing sebesar 0,957 dan 0,894 pada set pelatihan dan pengujian. Varian yang lebih kecil (YOLOv11s) menawarkan inferensi cepat (0,3554 detik pada 640x640) sambil mempertahankan akurasi tinggi, sehingga memberikan solusi praktis untuk implementasi waktu nyata.