ABSTRAK Muhammad Faisal Anshory
PUBLIC Alice Diniarti
COVER - Muhammad Faisal Anshory.pdf
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB I - Muhammad Faisal Anshory.pdf
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB II - Muhammad Faisal Anshory.pdf
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB III - Muhammad Faisal Anshory.pdf
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB IV - Muhammad Faisal Anshory.pdf
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
PUSTAKA Muhammad Faisal Anshory
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
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.