Perpustakaan Digital ITB

Pendataan kawasan kumuh memerlukan data spasial yang akurat dan mutakhir dalam mendukung perencanaan serta penanganan yang tepat sasaran. Namun, proses identifikasi kawasan kumuh masih menghadapi tantangan berupa ketepatan data, konsistensi definisi, dan keterbatasan pemantauan perubahan kondisi kawasan secara berkala. Keterbatasan ini berdampak pada efektivitas perencanaan dan penentuan priortas penanganan. Penelitian ini bertujuan untuk membangun model deteksi kawasan terduga kumuh berbasis Convolutional Neural Network (CNN), mengidentifikasi karakteristik morfologi kawasan kumuh, serta menganalisis distribusi spasialnya di Kota Bandung. Model dikembangkan menggunakan pendekatan transfer learning ResNet50V2 dengan data citra satelit resolusi tinggi yang diproses melalui teknik tiling. Selain itu, penelitian ini merupakan bagian dari memperkuat framework konsep U-DEVELOP yang berfungsi sebagai tahap awal dalam mendukung peningkatan kualitas permukiman kumuh dengan bantuan AI. Hasil penelitian menunjukkan bahwa model memiliki performa yang baik dengan nilai akurasi 88,18%, F1-score 87,79%, dan AUC 0,9512. Analisis Grad-CAM menunjukkan bahwa model mampu mengenali karakteristik morfologi kawasan kumuh berupa kepadatan bangunan tinggi, ketidakteraturan pola permukiman, heterogenitas tekstur, variasi atap bangunan, dan minimnya ruang terbuka. Secara spasial, kawasan terdeteksi cenderung terkonsentrasi pada sempadan sungai, rel kereta api, dan sekitar pusat kota. Hasil validasi lapangan menunjukkan kesesuaian yang baik antara hasil deteksi dan kondisi eksisting. Temuan ini menunjukkan bahwa CNN berpotensi digunakan sebagai alat deteksi awal kawasan terduga kumuh secara cepat, sistematis, dan berbasis karakteristik spasial lokal.