SEGMENTASI BANGUNAN PERKOTAAN PADA CITRA SATELIT BERESOLUSI TINGGI: CNN, U-NET (VGG16), DAN DEEPLABV3+ (RESNET-50)

Putu Haryaka Setadewa
Kadek Yota Ernanda Aryanto
Luh Joni Erawati Dewi

STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer
Vol. 4 No. 4 (2025): November

Seiring meningkatnya laju urbanisasi di Indonesia, kebutuhan pemetaan bangunan yang akurat menjadi semakin penting untuk mendukung perencanaan tata ruang, mitigasi bencana, dan pengelolaan infrastruktur perkotaan. Pendekatan konvensional berbasis survei manual dinilai kurang efisien, terutama di wilayah dengan pertumbuhan pesat. Oleh karena itu, pemanfaatan citra satelit dan Deep learning menjadi solusi potensial untuk identifikasi bangunan secara otomatis. Penelitian ini membandingkan performa tiga model segmentasi bangunan pada citra satelit resolusi tinggi: CNN konvensional (CNN-K), U-Net berbasis VGG16 (U-VGG), dan DeepLabV3+ dengan ResNet-50 (DL-ResNet). Dataset terdiri atas 1.216 patch citra dari kawasan Bali Selatan yang telah dilabeli dan diaugmentasi. Evaluasi dilakukan menggunakan metrik akurasi, IoU, dice coefficient, precision, recall, dan F1-score. Hasil menunjukkan U-VGG unggul (dice 89%, IoU 81%) dengan keseimbangan presisi dan efisiensi, sementara DL-ResNet mendekati hasilnya (dice 85%, IoU 80%) tetapi memerlukan sumber daya komputasi lebih besar. CNN-K mengalami overfitting dengan performa terendah.