Dewa, Putu Haryaka Seta (2026) ANALISIS SEGMENTASI BANGUNAN PERKOTAAN MENGGUNAKAN CNN KONVENSIONAL, U-NET BERBASIS VGG16, DAN DEEPLABV3+ DENGAN RESNET-50 PADA CITRA SATELIT RESOLUSI TINGGI. Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2215101033-COVER.pdf Download (361kB) |
|
Text (ABSTRAK)
2215101033-ABSTRAK.pdf Download (228kB) |
|
Text (BAB 1 PENDAHULUAN)
2215101033-BAB 1 PENDAHULUAN.pdf Download (381kB) |
|
Text (BAB 2 KAJIAN TEORI)
2215101033-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (772kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2215101033-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (686kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101033-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (2MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2215101033-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (356kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2215101033-DAFTAR PUSTAKA.pdf Download (315kB) |
|
Text (LAMPIRAN)
2215101033-LAMPIRAN.pdf Download (293kB) |
Abstract
Pertumbuhan urbanisasi di Indonesia mendorong kebutuhan pemetaan bangunan yang akurat sebagai dasar perencanaan tata ruang, mitigasi bencana, pemantauan perkembangan wilayah, dan pengelolaan infrastruktur perkotaan. Penelitian ini membandingkan performa tiga model segmentasi bangunan pada citra satelit resolusi tinggi, yaitu CNN konvensional (CNN-K), U-Net berbasis VGG16 (U-VGG), dan DeepLabV3+ dengan ResNet-50 (DL-ResNet). Dataset utama berasal dari kawasan Bali Selatan dengan 1.216 patch citra yang telah melalui proses labeling dan augmentasi untuk memperkaya variasi pola bangunan. CNN-K digunakan sebagai baseline dengan arsitektur encoder–decoder sederhana, U-VGG memanfaatkan VGG16 pretrained untuk menangkap tekstur dan kontur bangunan secara detail, sedangkan DL-ResNet menggunakan modul ASPP untuk memahami objek dengan berbagai skala pada kawasan padat. Evaluasi dilakukan menggunakan metrik akurasi, IoU, Dice Coefficient, Precision, Recall, dan F1-score pada data pelatihan, validasi, dan pengujian. Hasil menunjukkan U-VGG unggul dengan dice 89%, precision 87%, dan IoU 81%, memberikan keseimbangan antara presisi, efisiensi memori, dan kemampuan generalisasi. DL-ResNet mendekati performa U- VGG (dice 85%, precision 91%, IoU 80%) dengan kualitas detail visual segmentasi yang lebih tinggi, namun membutuhkan sumber daya komputasi lebih besar. CNN- K mencatat performa terendah pada data uji (dice 40%, precision 69%, IoU 14%) akibat overfitting. Temuan ini menegaskan bahwa U-VGG cocok untuk aplikasi pemetaan cepat dan efisien di kawasan perkotaan, sedangkan DL-ResNet lebih sesuai untuk analisis yang memerlukan ketelitian tinggi, seperti perencanaan infrastruktur detail atau monitoring perubahan bangunan secara presisi pada citra satelit resolusi tinggi.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | segmentasi bangunan, citra satelit resolusi tinggi, CNN konvensional, U-Net, VGG16, DeepLabV3+, ResNet-50 |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | Putu Haryaka Seta Dewa |
| Date Deposited: | 19 Jan 2026 02:08 |
| Last Modified: | 19 Jan 2026 02:08 |
| URI: | http://repo.undiksha.ac.id/id/eprint/27559 |
Actions (login required)
 |
View Item |