Tentang SmartLib Bantuan Pengguna

Skripsi S1

Record Data Skripsi S1

MhswID :

210401127

Judul :

SEGMENTASI BANGUNAN PADA DATASET OPENEARTHMAP DENGAN ALGORITMA DEEPLABV3+

Penulis :

AZIZ RAHMANSYAH

Abstrak :

Pemanfaatan citra satelit resolusi tinggi untuk pemetaan bangunan secara otomatis menjadi krusial dalam perencanaan tata kota dan mitigasi bencana. Namun, variasi morfologi bangunan dan kompleksitas latar belakang pada dataset geospasial global seringkali menjadi tantangan bagi algoritma segmentasi konvensional. Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis performa algoritma DeepLabV3+ dengan backbone Xception dalam melakukan segmentasi bangunan pada dataset OpenEarthMap. Dataset ini mencakup citra satelit dari berbagai wilayah global dengan resolusi spasial yang menantang. Metode penelitian meliputi prapemrosesan citra, augmentasi data untuk meningkatkan ketahanan model terhadap variasi pencahayaan, serta penggunaan Dice Loss untuk mengatasi ketidakseimbangan kelas. Hasil pengujian menunjukkan bahwa model DeepLabV3+ mampu menghasilkan segmentasi bangunan yang presisi dengan nilai Mean Intersection over Union (mIoU) sebesar 81,64% dan tingkat akurasi piksel mencapai 94,65%. Visualisasi peta error menunjukkan kemampuan model dalam membedakan batas bangunan yang rapat, meskipun masih terdapat tantangan pada area dengan kepadatan bangunan yang sangat rendah. Penelitian ini membuktikan bahwa arsitektur DeepLabV3+ sangat efektif untuk tugas ekstraksi fitur geospasial pada skala global. Kata Kunci : DeepLabV3+, Segmentasi Semantik, OpenEarthMap, Citra Satelit, GeoAI.

Abstrak Inggris :

The utilization of high-resolution satellite imagery for automated building mapping is crucial for urban planning and disaster mitigation. However, variations in building morphology and background complexity in global geospatial datasets often pose challenges for conventional segmentation algorithms. This study aims to implement and analyze the performance of the DeepLabV3+ algorithm with an Xception backbone for building segmentation on the OpenEarthMap dataset. This dataset includes satellite imagery from various global regions with challenging spatial resolutions. The research methodology involves image preprocessing, data augmentation to improve model robustness against lighting variations, and the use of Dice Loss to address class imbalance. The test results show that the DeepLabV3+ model is capable of generating precise building segmentation with a Mean Intersection over Union (mIoU) value of 81.64% and a pixel accuracy rate of 94.65%. Error map visualizations demonstrate the model's ability to distinguish tight building boundaries, although challenges remain in areas with very low building density. This study proves that the DeepLabV3+ architecture is highly effective for geospatial feature extraction tasks on a global scale. Keywords : DeepLabV3+, Semantic Segmentation, OpenEarthMap, Satellite Imagery, GeoAI.

Tahun :

2026

Cover :

Bab 1 :

Bab 2 :

Bab 3 :

Bab 4 :