Segmentasi semantik data citra Sentinel-2 pada pemetaan penggunaan lahan dan penutupan lahan menggunakan modifikasi u-segnet

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Wiryawanto, Tiara Melati Putri (2024) Segmentasi semantik data citra Sentinel-2 pada pemetaan penggunaan lahan dan penutupan lahan menggunakan modifikasi u-segnet. Undergraduate thesis, UIN Sunan Ampel Surabaya.

	Text Tiara Melati Putri Wiryawanto_09020620041 OK.pdf Download (640kB)
	Text Tiara Melati Putri Wiryawanto_09020620041 Full.pdf Restricted to Repository staff only until 29 July 2027. Download (6MB)

Abstract

Pemantauan lingkungan, perencanaan kota, dan pengelolaan sumber daya merupakan bentuk dari implementasi SDG 15 (Sustainable Development Goals) yang berfokus untuk melindungi, memulihkan, dan mendorong pemanfaatan hutan dan ekosistem darat secara efisien dan berkelanjutan. Pada faktanya, hal tersebut terhambat dengan adanya fenomena urbanisasi yang semakin meningkat dan menyebabkan kerusakan ekosistem alam. Untuk dapat melakukan pemantauan berkala dibutuhkan adanya pemetaan penggunaan lahan dan tutupan lahan (LULC) secara otomatis sebagai upaya mencegah kerusakan ekosistem alam. Namun, lanskap yang kompleks dan transisi yang halus antara berbagai kelas LULC menjadi tantangan besar untuk melakukan segmentasi yang optimal. Penelitian ini mengusulkan sebuah modifikasi dari arsitektir U-SegNet yang merupakan gabungan dari dua arsitektur segmentasi deep learning yang banyak digunakan, SegNet dan U-Net, untuk meningkatkan pemetaan LULC. Arsitektur ini memiliki arsitektur encoder-decoder yang menggabungkan pooling indices (SegNet) dan skip connection (U-Net) untuk menghasilkan dan mengirimkan informasi gambar spasial. Penelitian ini berhasil membangun arsitektur dan menunjukkan bahwa arsitektur modifikasi U-SegNet yang diusulkan meningkatkan kinerja segmentasi, mencapai akurasi sebesar 82% dan mIoU sebesar 42% pada dataset Sen-2 LULC. Dibandingkan arsitektur baseline U-SegNet, hasil ini mengungguli dari seluruh metrik evaluasi recall, precision, F1-score, accuracy, dan mIoU secara berturut-turut, yaitu 19%, 13%, 19%, 11%, dan 16%.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type:	Thesis (Undergraduate)
Creators:	Creators Email NIM Wiryawanto, Tiara Melati Putri tiarawir@gmail.com 09020620041
Contributors:	Contribution Name Email NIDN Thesis advisor Kunaefi, Anang akunaefi@uinsby.ac.id -- Thesis advisor Khalid, Khalid khalid@uinsby.ac.id --
Subjects:	Komputer Teknologi > Teknologi Informasi
Keywords:	Penggunaan dan Penutupan Lahan; Segmentasi Semantik; Deep Learning; U-Net; SegNet
Divisions:	Fakultas Sains dan Teknologi > Studi Sistem Informasi
Depositing User:	Tiara Wiryawanto
Date Deposited:	29 Jul 2024 04:03
Last Modified:	29 Jul 2024 04:03
URI:	http://digilib.uinsa.ac.id/id/eprint/72371

Actions (login required)

View Item