Implementasi Deep Learning untuk Pelabelan Lahan pada Citra Satelit Area Desa Leles

Altafunnisa, Alifia Nadiva (UIN Sunan Gunung Djati Bandung)
Jumadi, Jumadi (UIN Sunan Gunung Djati Bandung)
Nurlatifah, Eva (UIN Sunan Gunung Djati Bandung)

Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Vol 14, No 1: April 2025

Efficient land management in rural areas is essential for environmental sustainability and community well-being. This study develops a deep learning model to classify land types in satellite imagery, focusing on two main categories: residential areas and vacant land. The dataset consists of 2,080 cropped images from Google Earth, divided into 790 images for training, 790 for validation, and 500 for testing. The model is trained using transfer learning with the ResNet50 architecture and optimized over 50 epochs. Training results show an accuracy of 99% for training and 98% for validation, while evaluation on the test dataset achieves an accuracy of 91.4%. The model successfully identifies most images correctly, although 43 out of 500 images were misclassified. These findings demonstrate the significant potential of deep learning in supporting more accurate land management based on satellite imagery, contributing to more efficient spatial planning.Keywords: Google earth image; Deep learning; Satellite imagery. AbstrakPengelolaan lahan yang efisien di daerah pedesaan penting untuk keberlanjutan lingkungan dan kesejahteraan masyarakat. Penelitian ini mengembangkan model Deep Learning untuk mengidentifikasi jenis lahan pada citra satelit, dengan kategori utama: pemukiman dan lahan kosong. Dataset terdiri dari 2.080 gambar hasil cropping citra Google Earth, yang dibagi menjadi 790 gambar untuk pelatihan, 790 untuk validasi, dan 500 untuk pengujian. Model dilatih menggunakan transfer learning dengan arsitektur ResNet50, yang dioptimalkan selama 50 epoch. Hasil pelatihan menunjukkan hasil training 99% dan validasi 98%, sementara evaluasi pada data pengujian mencapai 91,4%. Model berhasil mengidentifikasi sebagian besar gambar dengan benar, meskipun masih terdapat 43 dari 500 gambar yang tidak sesuai dengan label aslinya. Penelitian ini menunjukkan bahwa Deep Learning memiliki potensi besar dalam mendukung pengelolaan lahan berbasis citra satelit yang lebih akurat untuk mendukung perencanaan tata ruang yang lebih efisien.