<![CDATA[Citra satelit multispektral adalah jenis citra yang diambil oleh satelit penginderaan jauh yang menangkap informasi dari berbagai rentang spektrum elektromagnetik. Citra satelit multispektral memiliki peran yang sangat penting karena kemampuannya untuk memberikan informasi untuk area yang luas secara berkala. Akan tetapi, salah satu permasalahan utama dari citra satelit multispektral adalah kontaminasi awan. Tutupan awan pada area yang luas menyebabkan informasi yang ada pada citra satelit menjadi bias. Oleh karena itu, segmentasi awan yang akurat pada citra satelit multispektral menjadi sangat penting. Penelitian ini berfokus untuk mengembangkan model segmentasi awan berbasis Convolutional Neural Networks (CNN) dengan kinerja yang baik. Penelitian diawali dengan proses pembuatan dataset citra satelit multispektral Sentinel-2 Level-2A. Algoritma s2cloudless digunakan untuk membentuk label dengan 4 kelas, yaitu: shadow, clear, cirrus, dan cloud. Selanjutnya, model segmentasi awan berbasis CNN dikembangkan berdasarkan beberapa model segmentasi semantik yang ada. Model tersebut dilatih dan dievaluasi pada 11.240 citra yang telah dibuat sebelumnya. Melalui ablation study, diperoleh model segmentasi awan terbaik yaitu Deeplabv3+ dengan backbone ResNet18. Arsitektur tersebut memberikan kinerja yang sangat menjanjikan dengan nilai F1-score, pixel accuracy, dan mIoU sebesar 0.922, 0.923, dan 0.733 secara berurutan. Dengan demikian penelitian terkait citra satelit diharapkan menjadi lebih akurat dalam melakukan klasifikasi atau prediksi objek yang ada di permukaan bumi. Abstract Multispectral satellite imagery is a type of imagery captured by remote sensing satellites that record data from various ranges of the electromagnetic spectrum. Its importance lies in its ability to provide information over large areas periodically. However, one of the main challenges with multispectral satellite imagery is cloud contamination. Cloud cover over large regions can bias the information captured in the imagery. Therefore, accurate cloud segmentation in multispectral satellite imagery is crucial. This study focuses on developing a high-performance cloud segmentation model based on Convolutional Neural Networks (CNN). The research began with the creation of a multispectral satellite imagery dataset from Sentinel-2 Level-2A. Labels with four classes—shadow, clear, cirrus, and cloud—were generated using the s2cloudless algorithm. Subsequently, a CNN-based cloud segmentation model was developed using several existing semantic segmentation models. The model was trained and evaluated on 11,240 images from the dataset. Through an ablation study, the best cloud segmentation model was identified as Deeplabv3+ with a ResNet18 backbone. This architecture demonstrated a highly promising performance, achieving F1-score, pixel accuracy, and mIoU values of 0.922, 0.923, and 0.733, respectively. As a result, this research is expected to improve the accuracy of satellite imagery classification and object prediction on the Earth's surface.]]>
Copyrights © 2025
