<![CDATA[Pemodelan 3D Level of Detail 1 (LOD1) merupakan representasi geometris dasar berupa bentuk prismatik dengan atap datar, yang umum digunakan dalam perencanaan wilayah dan manajemen aset karena efisiensi komputasi serta kesederhanaan strukturnya. Namun, proses pembentukan model ini kerap menghadapi kendala dalam aspek efisiensi waktu, akurasi spasial, serta skalabilitas, khususnya pada tahap segmentasi dan identifikasi objek dari data citra 2D. Penelitian ini bertujuan untuk mengimplementasikan algoritma deep learning Mask R-CNN dalam rangka meningkatkan efisiensi dan akurasi proses ekstraksi jejak bangunan (building footprint) dari citra udara beresolusi tinggi yang dihasilkan oleh wahana UAV. Mask R-CNN memiliki keunggulan dalam mendeteksi objek serta menghasilkan segmentasi berbasis pixel (pixel-wise mask), sehingga memungkinkan delineasi batas objek secara presisi. Alur kerja penelitian meliputi akuisisi data UAV, segmentasi citra secara otomatis menggunakan Mask R-CNN, dan rekonstruksi 3D berbasis Sistem Informasi Geografis (SIG). Studi kasus dilakukan di Kelurahan Jawa, Kota Samarinda, dengan resolusi spasial citra sebesar 0,023 meter, akurasi horizontal (CE90) 0,139 meter, dan vertikal (LE90) 0,282 meter. Tiga skenario pelatihan menunjukkan tingkat deteksi bangunan masing-masing sebesar 33%, 42%, dan 55% dengan nilai presisi 0,589; 0,746; dan 0,794. Skenario ketiga (80% data pelatihan) menghasilkan visualisasi model 3D paling mendekati hasil digitasi manual. Namun, skenario kedua (70% data pelatihan) direkomendasikan karena waktu pemrosesan tercepat (2 jam 27 menit 58 detik) dan kebutuhan penyimpanan terkecil (1,82 GB). Secara ekonomi, metode ini mengurangi biaya sebesar 13% dibandingkan digitasi manual, dengan total biaya Rp13.367.504.]]>
