Arsitektur Hybrid Deep Learning untuk Peningkatan Akurasi Pengenalan Objek pada Citra Satelit Resolusi Rendah

Ismail Marzuki Sianturi (Universitas Audi Indonesia)
Fricles Ariwisanto Sianturi (Universitas Tjut Nyak Dhien)

Jurnal Sains dan Teknologi (KATERA)
Vol. 2 No. 2 (2025): Edisi Agustus

Pengenalan objek pada citra satelit resolusi rendah merupakan tantangan penting dalam bidang penginderaan jauh karena keterbatasan detail spasial yang berdampak pada menurunnya akurasi deteksi. Penelitian ini bertujuan untuk mengembangkan arsitektur hybrid deep learning guna meningkatkan kinerja pengenalan objek pada citra satelit resolusi rendah. Metode yang digunakan mengombinasikan Convolutional Neural Network (CNN) untuk ekstraksi fitur spasial dengan Recurrent Neural Network (RNN)/Transformer untuk menangkap dependensi kontekstual antar area citra. Dataset citra satelit resolusi rendah diproses melalui tahap praproses, augmentasi data, dan pelatihan model menggunakan skema supervised learning. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, serta dibandingkan dengan model baseline seperti CNN tunggal. Hasil penelitian menunjukkan bahwa arsitektur hybrid yang diusulkan mampu meningkatkan akurasi pengenalan objek secara signifikan, dengan peningkatan rata-rata sebesar 8–15% dibandingkan metode konvensional. Model juga menunjukkan ketahanan yang lebih baik terhadap noise dan variasi resolusi. Simpulan penelitian ini adalah bahwa pendekatan hybrid deep learning efektif dalam mengatasi keterbatasan citra satelit resolusi rendah dan dapat diimplementasikan untuk berbagai aplikasi seperti pemantauan lingkungan, perencanaan wilayah, dan mitigasi bencana.