Segmentasi semantik data citra Sentinel-2 pada pemetaan penggunaan lahan dan penutupan lahan menggunakan modifikasi u-segnet

Pemantauan lingkungan, perencanaan kota, dan pengelolaan sumber daya merupakan bentuk dari implementasi SDG 15 (Sustainable Development Goals) yang berfokus untuk melindungi, memulihkan, dan mendorong pemanfaatan hutan dan ekosistem darat secara efisien dan berkelanjutan. Pada faktanya, hal tersebut terhambat dengan adanya fenomena urbanisasi yang semakin meningkat dan menyebabkan kerusakan ekosistem alam. Untuk dapat melakukan pemantauan berkala dibutuhkan adanya pemetaan penggunaan lahan dan tutupan lahan (LULC) secara otomatis sebagai upaya mencegah kerusakan ekosistem alam. Namun, lanskap yang kompleks dan transisi yang halus antara berbagai kelas LULC menjadi tantangan besar untuk melakukan segmentasi yang optimal. Penelitian ini mengusulkan sebuah modifikasi dari arsitektir U-SegNet yang merupakan gabungan dari dua arsitektur segmentasi deep learning yang banyak digunakan, SegNet dan U-Net, untuk meningkatkan pemetaan LULC. Arsitektur ini memiliki arsitektur encoder-decoder yang menggabungkan pooling indices (SegNet) dan skip connection (U-Net) untuk menghasilkan dan mengirimkan informasi gambar spasial. Penelitian ini berhasil membangun arsitektur dan menunjukkan bahwa arsitektur modifikasi U-SegNet yang diusulkan meningkatkan kinerja segmentasi, mencapai akurasi sebesar 82% dan mIoU sebesar 42% pada dataset Sen-2 LULC. Dibandingkan arsitektur baseline U-SegNet, hasil ini mengungguli dari seluruh metrik evaluasi recall, precision, F1-score, accuracy, dan mIoU secara berturut-turut, yaitu 19%, 13%, 19%, 11%, dan 16%.