EKSTRAKSI TAPAK BANGUNAN DARI ORTOFOTO MENGGUNAKAN MODEL MASK REGION BASED CONVOLUTIONAL NEURAL NETWORK (Studi Kasus: Kelurahan Ploso, Kecamatan Pacitan, Kabupaten Pacitan, Provinsi Jawa Timur, Indonesia)

Item Type:	Thesis
Title:	EKSTRAKSI TAPAK BANGUNAN DARI ORTOFOTO MENGGUNAKAN MODEL MASK REGION BASED CONVOLUTIONAL NEURAL NETWORK (Studi Kasus: Kelurahan Ploso, Kecamatan Pacitan, Kabupaten Pacitan, Provinsi Jawa Timur, Indonesia)
Abstract:	Kebutuhan terhadap data spasial yang akurat, efisien, dan mutakhir semakin meningkat seiring dengan berkembangnya era digital. Dalam konteks ini, peta dasar menjadi elemen penting dalam mendukung berbagai aktivitas seperti perencanaan tata ruang, pembangunan infrastruktur, dan manajemen bencana. Proses pemutakhiran peta, khususnya ekstraksi objek bangunan dari citra udara, umumnya dilakukan secara manual dan membutuhkan waktu serta sumber daya yang besar. Dengan kemajuan teknologi penginderaan jauh dan kecerdasan buatan, ekstraksi objek kini dapat dilakukan secara otomatis menggunakan pendekatan deep learning. Penelitian ini bertujuan untuk mengevaluasi efektivitas model Mask RCNN dalam mengekstraksi bangunan dari ortofoto di wilayah Kelurahan Ploso, Kecamatan Pacitan, Kabupaten Pacitan, Provinsi Jawa Timur. Penelitian ini menggunakan pendekatan kuantitatif dengan data sekunder berupa ortofoto resolusi tinggi beresolusi spasial 6 cm serta data hasil digitasi bangunan sebagai acuan validasi. Model Mask R-CNN dilatih menggunakan tiga skenario proporsi data pelatihan, yaitu 30%, 50%, dan 70% dari total wilayah studi. Proses dilakukan mulai dari pra-pemrosesan citra, pelabelan objek, pelatihan model, inferensi terhadap data uji, hingga pasca-pemrosesan hasil ekstraksi. Evaluasi kinerja model dilakukan menggunakan metrik Precision, Recall, F1 Score, dan Intersection over Union (IoU). Hasil terbaik diperoleh pada skenario pelatihan 70% dengan nilai Precision sebesar 0,6685, Recall sebesar 0,3808, dan F1 Score sebesar 0,4852. Model mampu menghasilkan True Positive sebanyak 1.117 objek, dengan jumlah False Positive dan False Negative masing-masing sebesar 554 dan 1.816. Hasil ini menunjukkan bahwa semakin besar proporsi data pelatihan, semakin baik pula performa model dalam mengenali dan mengekstraksi objek bangunan dari citra resolusi tinggi. Dengan demikian, metode Mask R-CNN terbukti efektif dalam mendukung otomatisasi pemutakhiran peta dasar secara efisien. Kata kunci: R-CNN, ekstraksi bangunan, deep learning
Creators:	ARDIANSYAH, RAHMAT
Subjects:	T Technology > TR Photography
Depositing User:	Mrs. Ineu Nuraeni, S.Sos
Date Deposited:	03 Sep 2025 04:21
Last Modified:	03 Sep 2025 04:21
URI:	https://repo.unwim.ac.id/id/eprint/1077

Kebutuhan terhadap data spasial yang akurat, efisien, dan mutakhir semakin meningkat seiring dengan berkembangnya era digital. Dalam konteks ini, peta dasar menjadi elemen penting dalam mendukung berbagai aktivitas seperti perencanaan tata ruang, pembangunan infrastruktur, dan manajemen bencana. Proses pemutakhiran peta, khususnya ekstraksi objek bangunan dari citra udara, umumnya
dilakukan secara manual dan membutuhkan waktu serta sumber daya yang besar.
Dengan kemajuan teknologi penginderaan jauh dan kecerdasan buatan, ekstraksi objek kini dapat dilakukan secara otomatis menggunakan pendekatan deep learning. Penelitian ini bertujuan untuk mengevaluasi efektivitas model Mask RCNN dalam mengekstraksi bangunan dari ortofoto di wilayah Kelurahan Ploso, Kecamatan Pacitan, Kabupaten Pacitan, Provinsi Jawa Timur.
Penelitian ini menggunakan pendekatan kuantitatif dengan data sekunder berupa ortofoto resolusi tinggi beresolusi spasial 6 cm serta data hasil digitasi bangunan sebagai acuan validasi. Model Mask R-CNN dilatih menggunakan tiga
skenario proporsi data pelatihan, yaitu 30%, 50%, dan 70% dari total wilayah studi. Proses dilakukan mulai dari pra-pemrosesan citra, pelabelan objek, pelatihan model, inferensi terhadap data uji, hingga pasca-pemrosesan hasil ekstraksi.
Evaluasi kinerja model dilakukan menggunakan metrik Precision, Recall, F1 Score, dan Intersection over Union (IoU).
Hasil terbaik diperoleh pada skenario pelatihan 70% dengan nilai Precision sebesar 0,6685, Recall sebesar 0,3808, dan F1 Score sebesar 0,4852. Model mampu menghasilkan True Positive sebanyak 1.117 objek, dengan jumlah False Positive
dan False Negative masing-masing sebesar 554 dan 1.816. Hasil ini menunjukkan bahwa semakin besar proporsi data pelatihan, semakin baik pula performa model dalam mengenali dan mengekstraksi objek bangunan dari citra resolusi tinggi. Dengan demikian, metode Mask R-CNN terbukti efektif dalam mendukung otomatisasi pemutakhiran peta dasar secara efisien.
Kata kunci: R-CNN, ekstraksi bangunan, deep learning