Perbandingan U-Net dan DeepLabV3+ pada Segmentasi Perkebunan Kelapa Sawit Berbasis Remote Sensing

Abstract

Tujuan : Penelitian ini bertujuan untuk membandingkan performa metode U-Net dan DeepLabV3+ pada segmentasi area perkebunan kelapa sawit berbasis remote sensing menggunakan Open Benchmark Dataset Oil Palm Indonesia. Penelitian dilakukan melalui beberapa tahapan yaitu preprocessing citra satelit, data augmentation, pembagian dataset, pelatihan model semantic segmentation, evaluasi performa, dan visualisasi hasil segmentasi.

Metode/Design/Pendekatan: Metode U-Net digunakan karena memiliki arsitektur encoder-decoder dengan skip connection, sedangkan DeepLabV3+ memanfaatkan atrous convolution dan Atrous Spatial Pyramid Pooling (ASPP) untuk menangkap fitur multiskala pada citra satelit. Evaluasi model dilakukan menggunakan metrik Intersection over Union (IoU), Dice Coefficient, Precision, Recall, dan Pixel Accuracy.

Hasil/Temuan: Hasil penelitian menunjukkan bahwa DeepLabV3+ memiliki performa yang lebih baik dibandingkan U-Net dengan nilai IoU sebesar 84,15%, Dice Coefficient sebesar 88,31%, Precision sebesar 86,92%, Recall sebesar 89,47%, dan Pixel Accuracy sebesar 94,63%. Sementara itu, U-Net memperoleh nilai IoU sebesar 78,42% dan Pixel Accuracy sebesar 91,18%.

Kebaharuan/Originalitas/Nilai: Hasil visualisasi segmentasi juga menunjukkan bahwa DeepLabV3+ mampu menghasilkan segmentasi area perkebunan sawit yang lebih detail dan presisi. Penelitian ini membuktikan bahwa DeepLabV3+ lebih efektif digunakan pada segmentasi perkebunan kelapa sawit berbasis citra satelit untuk mendukung sistem monitoring lahan berbasis Artificial Intelligence.