DETEKSI OBJEK BANGUNAN MENGGUNAKAN PENDEKATAN DEEP LEARNING DENGAN MASK R-CNN
Kebutuhan informasi geospasial skala besar yang semakin tinggi dan cepat,
mendorong pemerintah Indonesia untuk mempercepat penyediaan informasi
geospasial skala besar di seluruh wilayah Indonesia. Pemanfaatan teknologi
penginderaan jauh menjadi salah satu teknik yang paling bagus untuk akuisisi data
pada area luas tanpa perlu melakukan survei langsung di lapangan. Dalam
menghasilkan informasi dari data yang telah diambil dalam hal itu citra satelit, perlu
dilakukakan proses interpretasi. Intepretasi secara interaktif yang dilakukan oleh
operator manusia secara visual masih merupakan pendekatan utama untuk
klasifikasi digital informasi dari orthophoto. Ekstraksi objek bangunan sebagian
besar didasarkan pada orthophoto karena resolusi spasial yang baik dalam beberapa
tahun terakhir, kemajuan besar telah dicapai dalam machine learning, terutama
dalam deep learning. Dalam beberapa tahun terakhir, pendekatan yang didasarkan
pada deep learning, seperti Convolutional Neural Network (CNN) dan variannya,
menjadi banyak digunakan untuk pendeteksian objek.
Penelitian ini bertujuan untuk mengetahui pemanfaatan dari penggunaan
parameter nilai epoch dan nilai confidence (threshold) dan akurasi hasil ektraksi
bangunan secara otomatis dengan menggunakan metode deep learning berbasis
Mask Region-base Convolutional Neural Networks (Mask R-CNN) dari data foto
udara. Hasil penelitian menunjukan bahwa perbedaan penggunaan parameter nilai
epoch dan nilai confidence sangat berpengaruh terhadap hasil ekstraksi yang
didapatkan, untuk hasil akurasi dengan menggunakan indeks IOU menunjukan
bahwa pada area bangunan dengan bentuk atap yang teratur pada AOI 1 dan AOI 2
memiliki nilai indeks Intersection Over Union (IUO) sebesar 58.081%,pada AOI 1
dan pada AOI 2 sebesar 65.080%, sedangkan pada area yang memiliki bentuk atap
yang tidak teratur pada AOI 3 memiliki nilai indeks IOU sebesar 54.142%. Hasil
uji akurasi tersebut masih kurang baik dan belum memenuhi syarat yang sesuai
dengan Peraturan Kepala Badan Informasi Geospasial Nomor 15 Tahun 2014 yaitu
memiliki nilai ketelitian sebesar 85% untuk kelas bangunan.
URI
https://repo.itera.ac.id/depan/submission/SB2301170048
Keyword