18119014 Beatrice Syafira.pdf
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Indonesia merupakan negara yang memiliki potensi kebencanaan yang tinggi.
Dengan jumlah penduduk yang banyak serta laju perkembangan ekonomi yang
pesat menyebabkan Indonesia memiliki potensi kerugian yang tinggi jika bencana
terjadi. Salah satu potensi kerugian yang diakibatkan oleh bencana adalah
kerusakan bangunan dan gedung. Maka dari itu, diperlukan perencanaan kebijakan
serta pembuatan rencana pembiayaan untuk melakukan mitigasi bencana. Hal ini
dapat dilakukan dengan melakukan pemodelan risiko kebencanaan sebagai upaya
mitigasi bencana. Untuk melakukan pemodelan risiko kebencanaan, diperlukan
banyak data pendukung salah satunya adalah pemetaan bangunan di suatu wilayah.
Kendala yang selama ini dialami adalah diperlukan waktu serta upaya yang besar
untuk melakukan pemetaan bangunan pada suatu daerah secara manual. Untuk itu,
perlu adanya upaya untuk melakukan otomatisasi deteksi bangunan untuk
menyelesaikan permasalahan ini. Teknologi AI digunakan pada tugas akhir ini
sebagai upaya untuk melakukan deteksi bangunan secara otomatis dari masukan
berupa gambar citra satelit.
Tugas akhir ini akan membandingkan model Mask R-CNN dan model YOLOv5
untuk melakukan deteksi bangunan. Model machine learning ini akan melakukan
deteksi bangunan dari masukan berupa gambar citra satelit. Selain itu, model
machine learning ini akan memperoleh data geolokasi serta alamat dari setiap
bangunan yang terdeteksi. Dilakukan perbandingan antara model yang diperoleh
dengan proses transfer learning dan model pretrained. Kedua model tersebut akan
dilakukan pengujian dengan membandingkan nilai mAP sebagai parameternya.
Model dengan nilai mAP yang paling tinggi akan diambil sebagai model yang
digunakan untuk sistem deteksi bangunan. Sistem deteksi bangunan ini akan
diterapkan pada sebuah aplikasi berbasis web dengan menerapkan model yang
sudah dipilih sebelumnya untuk melakukan deteksi bangunan. Selain itu, dilakukan
juga proses optimasi post-processing dengan algortima Non-Maximum Suppression
sebagai upaya meningkatkan kualitas deteksi dari model yang sudah dipilih
sebelumnya.
Dari hasil pengujian, diperoleh hasil bahwa model pretrained Mask R-CNN
memiliki nilai mAP yang paling tinggi diantara model-model lainnya. Selanjutnya,
dapat diperoleh juga data geolokasi berupa latitude dan longitude serta alamat dari
ii
bangunan yang terdeteksi. Dari hasil pengujian dapat diketahui bahwa, optimasi
yang dilakukan dengan algoritma NMS masih belum memberikan hasil
peningkatan kualitas deteksi bangunan. Selain itu, aplikasi berbasis web yang
dibangun juga dapat menerima masukan berupa gambar citra satelit. Dengan
melakukan integrasi dengan sistem klasifikasi bangunan, aplikasi berbasis web ini
juga dapat melakukan klasifikasi bangunan. Sehingga, aplikasi ini dapat
memberikan hasil gambar citra satelit dengan hasil deteksi bangunan serta data jenis
setiap bangunan tersebut.