Segmentasi Semantik Berbasis Deeplabv3+ Untuk Pemantauan Pencemaran Sampah di Perairan Sungai

Widyantara, Putu Adi (Universitas Pendidikan Ganesha)
Marti, Ni Wayan (Universitas Pendidikan Ganesha)
Suputra, Putu Hendra (Universitas Pendidikan Ganesha)

Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Vol 14, No 2: Agustus 2025

Rivers have an important role for living things, including humans. The current condition of the river is worrying, river pollution results in poor water quality. This research develops two semantic segmentation models with DeepLabv3+ for optimal river condition monitoring. The dataset acquired with UAVs amounted to 95 images that have gone through data cleaning and manually annotated with binary values, then classified into garbage, and river categories. Both categories of models were trained separately using DeepLabv3+ Architecture. Based on the evaluation results, the best performance of the garbage model Dice Coeficient Loss obtained and IoU 68.89%. While the best performance of the river category model with Jaccard Loss achieved an IoU of 99.9%. Providing a garbage segmentation map that focuses on river waters, the binary segmentation results of each model are parallel integrated using an AND logic operation approach, garbage outside the river pixels is eliminated. Thus, displaying a segmentation map that focuses on garbage in river waters.Keywords: Semantic segmentation; DeepLabv3+; River pollution; UAV imagery AbstrakSungai mempunyai peran yang penting bagi makhluk hidup salah satunya manusia. Kondisi sungai saat ini mengkhawatirkan, pencemaran sungai mengakibatkan kualitas air menjadi buruk. Penelitian ini mengembangkan dua model segmentasi semantik dengan DeepLabv3+ untuk pemantauan kondisi sungai dengan optimal. Dataset diakuisisi dengan UAV berjumlah 95 citra telah malalui pembersihan data dan dianotasi manual dengan nilai biner, kemudian diklasifikasikan ke dalam kategori sampah, dan sungai. Kedua kategori model dilatih secara terpisah dengan menggunakan Arsitektur DeepLabv3+. Berdasarkan hasil evaluasi, performa terbaik dari model sampah Dice Coeficient Loss memperoleh dan IoU 68,89%. Sementara performa terbaik pada model kategori sungai dengan Jaccard Loss mencapai IoU 99,9%. Memberikan peta segmentasi sampah yang berfokus pada perairan sungai, hasil segmentasi biner dari setiap model secara paralel diintegrasikan menggunakan pendekatan operasi logika AND, sampah diluari piksel sungai dieliminasi. Sehingga menampilkan peta segmentasi yang berfokus pada sampah yang berada di perairan sungai.