Segmentasi Burned Area Menggunakan Model U-Net pada Citra Landsat 9 (Studi Kasus: Sumatera Selatan)
Kebakaran hutan dan lahan (karhutla) merupakan salah satu bencana yang paling sering terjadi di Indonesia, dengan 144 kejadian tercatat pada Agustus 2023. Kondisi ini menegaskan pentingnya penanganan pasca karhutla yang efektif. Penelitian ini bertujuan untuk melakukan segmentasi area terbakar (burned area) menggunakan citra satelit Landsat 9 dengan pendekatan deep learning berbasis model U-Net. Citra diproses dalam bentuk multiband komposit, serta dilengkapi dengan ekstraksi fitur Normalized Difference Vegetation Index (NDVI) dan Normalized Burn Ratio (NBR) sebagai input model. Pelatihan dan evaluasi model dilakukan pada wilayah Sumatera Selatan menggunakan metrik Binary Accuracy, Intersection over Union (IoU), Dice Coefficient, dan Binary Cross Entropy Loss. Hasil evaluasi menunjukkan nilai Binary Accuracy 0.93523, Intersection over Union (IoU) 0.70858, Dice Coefficient 0.82944, dan Binary Cross Entropy 0.18111. Hasil penelitian ini menunjukkan bahwa model U-Net dapat digunakan secara efektif dan efisien dalam mendeteksi area terbakar sebagai bagian dari sistem pemantauan karhutla berbasis citra satelit.
URI
https://repo.itera.ac.id/depan/submission/SB2509020010
Keyword
Burned Area Deep Learning U-Net Segmentasi Landsat 9