PENERAPAN DEEPLEARNING UNTUK SEGMENTASI TUTUPAN LAHAN CITRA SATELIT KOTA PALU MENGGUNAKAN U-NET RESNET50

MOH. FAISAL. PENERAPAN DEEP LEARNING UNTUK SEGMENTASI TUTUPAN LAHAN CITRA SATELIT KOTA PALU MENGGUNAKAN U-NET RESNET50. Dibimbing oleh ANITA AHMAD KASIM.
Penelitian ini dilatarbelakangi oleh pentingnya informasi tutupan lahan dalam mendukung analisis lingkungan dan perencanaan wilayah di Kota Palu. Penelitian ini bertujuan membangun dataset citra satelit teranotasi serta menerapkan metode semantic segmentation menggunakan arsitektur U-Net dengan backbone ResNet50 untuk mengklasifikasikan tujuh kelas tutupan lahan, yaitu background, bangunan, jalan, pohon, semak, air, dan tanah kosong. Metode penelitian meliputi pengumpulan citra dari Google Earth Pro, pra-pemrosesan citra, anotasi menggunakan CVAT, patching dataset, data augmentation, serta pelatihan model menggunakan kombinasi CrossEntropy Loss dan Dice Loss dengan optimizer Adam. Hasil penelitian menunjukkan bahwa model U-Net dengan backbone ResNet50 memiliki performa yang sangat baik dengan nilai Final Test Accuracy sebesar 0.9947, Final Test IoU sebesar 0.9831, dan nilai loss sebesar 0.0297. Hasil tersebut menunjukkan bahwa model mampu melakukan segmentasi citra secara detail hingga tingkat piksel dengan tingkat kesesuaian yang tinggi antara hasil prediksi dan ground truth. Penelitian ini menghasilkan model segmentasi tutupan lahan yang dapat digunakan sebagai dasar pengembangan sistem analisis citra satelit berbasis deep learning.
Kata kunci: citra satelit, deep learning, semantic segmentation, U-Net, ResNet50, tutupan lahan.