Segmentasi Semantik Menggunakan Model DeepLabv3+ untuk Citra Satelit pada Area Tutupan Lahan dan Objek Gunung Api

Abstract

Penelitian ini berfokus pada penerapan model DeepLabV3+ untuk segmentasi citra satelit pada area tutupan lahan dan objek sekitar gunung api menggunakan metode segmentasi semantik. Latar belakang penelitian ini didasari oleh kebutuhan pemantauan lingkungan dan mitigasi bencana di Indonesia, khususnya pada area vulkanik yang rentan terhadap aktivitas erupsi. Dengan luasnya wilayah Indonesia dan kompleksitas lanskap, teknologi penginderaan jauh dikombinasikan dengan Deep Learning menjadi solusi efektif untuk memetakan area tutupan lahan dan memantau fenomena vulkanik. Metodologi penelitian melibatkan tahapan pengumpulan data citra satelit dari Google Earth Pro dan dataset penelitian Del Rosso yang berisis citra satelit area gunung api, preprocessing data untuk menghilangkan noise seperti label peta dan watermark, serta anotasi data untuk mensegmentasi area yang terbagi menjadi 14 kelas. Model DeepLabV3+ dengan ResNet34 sebagai encoder dilatih menggunakan framework PyTorch. Best model dipilih berdasarkan hasil evaluasi pada data validation menggunakan metrik loss, Intersection over Union (IoU), accuracy, dice, dan mean Average Precision (mAP). Evaluasi kinerja akhir dilakukan pada test set menggunakan metrik mean Intersection over Union (mIoU) dan mAP. Hasil best model pada tahap pelatihan pertama menunjukkan performa yang cukup baik dengan nilai mAP sebesar 67%, IoU sebesar 52%, dan dice coefficient sebesar 63%. Namun, evaluasi pada test set menunjukkan bahwa kinerja model masih belum optimal dengan nilai mIoU hanya mencapai 39% dan mAP sebesar 34%. Hal ini menunjukkan bahwa model mengalami kesulitan dalam melakukan generalisasi pada data uji, terutama pada kelas-kelas tertentu yang memiliki kemiripan karakteristik visual seperti endapan material vulkanik dan jalur lahar. Penelitian ini menyimpulkan bahwa meskipun model DeepLabV3+ memiliki potensi dalam segmentasi citra satelit tetapi performanya masih perlu ditingkatkan. Potensi ini membuka peluang yang luas bagi penelitian selanjutnya. Peningkatan dapat dilakukan melalui eksplorasi lebih mendalam terhadap arsitektur model atau penerapan strategi pelatihan yang lebih optimal.