Ringkasan: Teks ini membahas optimasi pemeliharaan jaringan jalan dengan membandingkan tiga metode: greedy heuristik, reinforcement learning (RL), dan naive Bayes classifier, dalam empat skenario berbeda (dengan/tanpa banjir, dengan/tanpa batasan anggaran). Data arus kendaraan dan asumsi penambahan masa layan jalan digunakan sebagai masukan. Analisis biaya operasional kendaraan (BOK) dihitung, dan greedy heuristik digunakan untuk memaksimalkan benefit (selisih BOK sebelum dan sesudah perbaikan dibagi biaya penanganan). RL mencari benefit terbesar dari kombinasi penanganan, sementara naive Bayes menggunakan data pembelajaran untuk memprediksi jenis penanganan yang optimal. Hasilnya menunjukkan bahwa greedy heuristik unggul dalam memaksimalkan benefit dan panjang jalan yang diperbaiki pada skenario tanpa batasan anggaran, sementara RL lebih baik dalam mendistribusikan penanganan secara merata ketika ada batasan anggaran. Namun secara keseluruhan, greedy heuristik lebih unggul dalam memberikan dampak terhadap panjang jalan, arus kendaraan, dan benefit.