PENGEMBANGAN MODEL SEGMENTASI SEMANTIK BERBASIS DEEPLABV3+ UNTUK PEMANTAUAN SAMPAH DI PERAIRAN SUNGAI

Widyantara, Putu Adi (2025) PENGEMBANGAN MODEL SEGMENTASI SEMANTIK BERBASIS DEEPLABV3+ UNTUK PEMANTAUAN SAMPAH DI PERAIRAN SUNGAI. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2115101044-COVER.pdf
Download (833kB)
[img] Text (ABSTRAK)
2115101044-ABSTRAK.pdf
Download (217kB)
[img] Text (BAB 1 PENDAHULUAN)
2115101044-BAB 1 PENDAHULUAN.pdf
Download (223kB)
[img] Text (BAB 2 KAJIAN TEORI)
2115101044-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 3 METODOLOGI PENELITIAN)
2115101044-BAB 3 METODOLOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2115101044-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (2MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2115101044-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (211kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2115101044-DAFTAR PUSTAKA.pdf
Download (199kB)
[img] Text (LAMPIRAN)
2115101044-LAMPIRAN.pdf
Download (1MB)

Abstract

Penelitian ini mengembangkan model segmentasi semantik berbasis DeepLabv3+ untuk pemantauan sampah di perairan sungai menggunakan citra dari Unmanned Aerial Vehicle (UAV). Latar belakang penelitian ini berasal dari permasalahan pencemaran sungai yang disebabkan oleh penanganan sampah yang tidak optimal karena kebiasaan masyarakat membuang sampah oleh masyarakat yang membuat sampah ke sungai. Metode yang dijalankan terdiri dari finalisasi dataset, persiapan data, membangun model dan simulasi segmentasi. Dataset dibuat secara mandiri dengan merekam menggunakan perangkat UAV yang bergerak, ektraksi frame, pembersihan data dan anotasi manual dengan binary mask yang kemudian dikategorikan ke dalam kategori sampah-nonsampah dan sungai-nonsungai. Dataset berjumlah 95 citra dan diperluas melalui augmentasi hingga berjumlah 2,470, kemudian dibagi menjadi Training 80% (1,976), Validation 10% (247) dan Test 10% (247). Untuk menghasilkan peta segmentasi objek sampah di perairan sungai, penelitian ini melatih dua model secara terpisah menggunakan Arsitektur DeepLabv3+ dengan pengaturan pelatihan yang serupa pada hyperparameter. Hasil peta segmentasi dari masing-masing model diintegrasikan menggunakan operasi logika AND. Model kategori sampah-nonsampah dengan performa terbaik adalah dengan menggunakan Dice Coeficient Loss, dengan rata-rata Pixel Accuracy 98.68%, Precision 87.6%, Recall 74.96%, F1-Score 79.38%, dan IoU 68.89%. Sementara, pada model sungai-nonsungai, performa terbaik adalah Jaccard Loss dengan menerapkan Regularization Dropout, memperoleh rata-rata Pixel Accuracy 99.93%, Precision 99.94%, Recall 99.96%, F1-Score 99.95%, dan IoU 99.9%. Penelitian ini menyajikan pendekatan dua model dengan tugas yang berbeda dan bekerja secara paralel dengan menggunakan Arsitektur DeepLabv3+, mampu diintegrasikan dengan baik untuk memetakan area sampah di perairan sungai. Dengan demikian, berkontribusi dalam upaya pencegahan banjir lebih dini serta mendeteksi pencemaran sampah di sungai secara optimal.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Segmentasi Semantik, Sementasi Citra, Pencemaran Sungai, Citra UAV, DeepLabv3+, Integrasi Model, Streamlit, CNN, Deep Learning.
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: Putu Adi Widyantara
Date Deposited: 07 Aug 2025 23:57
Last Modified: 07 Aug 2025 23:57
URI: http://repo.undiksha.ac.id/id/eprint/26555

Actions (login required)

View Item View Item