IMPLEMENTASI MASK R-CNN UNTUK APLIKASI SEGMENTASI OBJEK SUATU AREA DARI UDARA

Raihan Aura Ferdiansyah (Teknik Informatika Universitas Nurtanio Bandung)
Suharjanto Utomo (Teknik Informatika Universitas Nurtanio Bandung)
Arief Suryadi Satyawan (Teknik Elektro Universitas Nurtanio Bandung)
Hernawati (Teknik Informatika Universitas Nurtanio Bandung)

Jurnal Teknologi Informasi dan Komunikasi
Vol. 15 No. 1 (2025): Jurnal Teknologi Informasi dan Komunikasi

Kemajuan teknologi drone dan kecerdasan buatan telah memungkinkan analisis lingkungan dari udara dengan efisiensi tinggi. Penelitian ini mengimplementasikan Mask R-CNN untuk segmentasi objek dari citra udara, dengan fokus pada identifikasi sawah, bangunan, dan landasan. Dataset citra udara diperoleh dari Google Earth Pro, dan anotasi dilakukan menggunakan VGG Image Annotator (VIA). Model dilatih dengan parameter IMAGE_MIN_DIM = 512, IMAGE_MAX_DIM = 512, dan LEARNING_RATE = 0.001. Hasil evaluasi menunjukkan akurasi segmentasi sebesar 63% dan mean Average Precision (mAP) sebesar 0.8182. Meskipun model menunjukkan performa yang baik dalam mendeteksi sawah dan landasan, akurasi untuk bangunan masih rendah (51.02%). Penelitian ini memberikan kontribusi dalam pengembangan teknologi segmentasi objek real-time menggunakan drone, dengan rekomendasi untuk peningkatan dataset dan optimisasi parameter pada penelitian lanjutan. Kata kunci: Mask R-CNN, Segmentasi Objek, Citra Udara, Drone, Kecerdasan Buatan. ABSTRACT Advancements in drone technology and artificial intelligence have enabled highly efficient aerial environmental analysis. This study implements Mask R-CNN for object segmentation from aerial imagery, focusing on the identification of rice fields, buildings, and runways. Aerial image datasets were obtained from Google Earth Pro, and annotations were carried out using the VGG Image Annotator (VIA). The model was trained with the parameters IMAGE_MIN_DIM = 512, IMAGE_MAX_DIM = 512, and LEARNING_RATE = 0.001. Evaluation results show a segmentation accuracy of 63% and a mean Average Precision (mAP) of 0.8182. Although the model demonstrated good performance in detecting rice fields and runways, the accuracy for building detection remained relatively low (51.02%). This study contributes to the development of real-time object segmentation technology using drones, with recommendations for dataset enhancement and parameter optimization in future research. Keywords: Mask R-CNN, Object Segmentation, Aerial Imagery, Drone, Artificial Intelligence.