Perpustakaan Digital ITB

Ekstraksi objek untuk proses pemetaan dari citra penginderaan jauh umumnya masih dilakukan melalui interpretasi visual oleh operator. Hal tersebut memerlukan waktu yang lama dan biaya yang mahal seiring luasnya skala pemetaan. Teknologi deep learning telah membuka potensi ekstraksi objek secara otomatis dari citra penginderaan jauh seperti orthophoto. Walaupun demikian, pemanfaatan deep learning rentan terhadap bias yang menimbulkan ketidakterwakilan suatu kelompok tertentu. Sesuai dengan persoalan dan potensi yang ada, penelitian ini bertujuan untuk mengembangkan model deep learning untuk ekstraksi bangunan dan jaringan jalan serta mengidentifikasi keberadaan bias dalam model pada dua area studi di Kabupaten Sumedang. Pada model ekstraksi bangunan berbasis Mask R-CNN, identifikasi bias dilakukan terhadap kategori pemukiman teratur dan tidak teratur. Sedangkan pada model ekstraksi jaringan jalan berbasis U-NET, identifikasi bias dilakukan pada jalan kategori kelas 1 yang meliputi jalan arteri dan kolektor serta kelas 2 yang meliputi jalan lokal dan lingkungan. Metrik evaluasi model bangunan pada dua area menunjukkan bahwa pemukiman teratur memberikan nilai F1 score yang lebih tinggi yaitu sebesar 0,77 dan 0,69 dibandingkan pemukiman tidak teratur yang hanya sebesar 0,72 dan 0,66. Disisi lain, metrik evaluasi model jaringan jalan menunjukkan bahwa jalan kelas 1 memberikan nilai intersection of union yang lebih baik sebesar 0,76 dan 0,84 dibandingkan kelas 2 yang sebesar 0,74 pada kedua area. Hal ini menunjukkan bahwa deep learning dapat digunakan untuk mengekstraksi bangunan dan jaringan jalan, tetapi masih perlu perbaikan data hasil ekstraksi secara manual. Selain itu, metrik evaluasi model ekstraksi jaringan jalan pada kategori yang berbeda menunjukkan hasil yang lebih konsisten dibandingkan model ekstraksi bangunan.