OPTIMISASI SEGMENTASI CITRA UDARA DAERAH TERDAMPAK BENCANA ALAM DENGAN PENDEKATAN PEMBELAJARAN MENDALAM = OPTIMIZATION OF AERIAL IMAGERY SEGMENTATION OF NATURAL DISASTER-AFFECTED AREAS WITH DEEP LEARNING APPROACH

Latar belakang. Bencana alam berdampak pada kelangsungan hidup manusia. Oleh karena itu, setelah terjadi bencana alam sangat perlu dilakukan penanganan darurat bencana secara cepat, efektif, dan efisien untuk menganalisis daerah yang terdampak bencana alam. Namun, mendeteksi dan mengidentifikasi objek dan area pada citra udara daerah terdampak bencana alam dan menilai daerah yang terdampak bencana alam masih menjadi masalah yang sulit. Segmentasi semantik citra dan penilaian bencana alam secara mendetail dapat digunakan untuk mengatasi masalah ini. Namun, tantangan dan masalah utama yang ada dalam segmentasi citra udara daerah terdampak bencana alam dan penilaian bencana alam adalah keragaman dan kompleksitas data, pengenalan dan analisis citra udara masih dilakukan secara manual, keterbatasan akurasi (nilai kinerja model yang masih rendah), kemampuan generalisasi dan ketahananan model pembelajaran mendalam yang masih kurang (menghasilkan citra hasil segmentasi yang kurang akurat), keterbatasan kumpulan data citra udara daerah terdampak bencana alam untuk pelatihan (kurang menghadirkan lebih banyak kejelasan pada berbagai objek penting dan area yang terdampak bencana alam), dan penilaian daerah terdampak bencana alam yang belum maksimal (masih menggunakan teknik penilaian manual dan belum melakukan penilaian bencana alam secara detail dan otomatis pada citra hasil segmentasi). Tujuan. Untuk mengatasi tantangan dan masalah tersebut, penelitian ini bertujuan membangun model optimal untuk segmentasi semantik citra udara daerah terdampak bencana alam dengan nilai kinerja terbaik, menciptakan kumpulan data baru citra udara daerah terdampak bencana alam untuk segmentasi semantik dan penilaian bencana alam, dan mengusulkan penilaian bencana alam secara mendetail pada citra hasil segmentasi. Metode. Penelitian ini menggunakan pendekatan pembelajaran mendalam dengan memanfaatkan arsitektur Deep Convolutional Networks (DCN), Transformer, dan hybrid DCN-Transformer. Penelitian ini menyajikan kumpulan data baru, Aerial Imagery of Natural Disaster-Affected Areas (AINDAA), yang dirancang untuk representasi visual dalam konteks pascabencana, khususnya dalam skenario banjir. Kumpulan data ini diberi anotasi secara komprehensif, sehingga menghadirkan lebih banyak kejelasan pada objek dan area yang terdampak bencana. Penelitian ini menggunakan kumpulan data evaluasi, yaitu FloodNet dan AINDAA, yang terdiri dari citra udara pascabencana alam yang diperoleh dari Unmanned Aerial Vehicle (UAV) atau drone di daerah terdampak bencana alam banjir. Kumpulan data AINDAA dikumpulkan dari Badan Penanggulangan Bencana Daerah (BPBD) Indonesia dan menggunakan teknik penambangan web yang berasal dari YouTube. Data tersebut diperoleh dari citra udara yang menggambarkan dampak banjir di pulau Sulawesi dan Kalimantan, Indonesia. Kumpulan data pra-pelatihan terdiri dari kumpulan data umum dan kumpulan data khusus citra yang berasal dari UAV, yang dapat diakses oleh publik dan memiliki anotasi segmentasi yang cermat. Hasil. Model optimal yang memanfaatkan arsitektur DCN ditunjukkan oleh PSPNet (152) (bpc), mencapai akurasi 98.99%, presisi 90.84%, recall 90.47%, F1-score 90.65%, dan mean intersection over union (mIoU) 83.34% pada FloodNet, dan PSPNet (50) (bp), mencapai akurasi 96.98%, presisi 68.50%, recall 61.12%, F1-score 63.39%, dan mIoU 53.34% pada AINDAA. SegFormer, yang menggunakan arsitektur Transformer, menunjukkan akurasi 97.35% dan mIoU 65.68% pada FloodNet, sedangkan SegFormer (bp) mencapai akurasi 96.28%, presisi 68.11%, recall 56.02%, F1-score 56.13%, dan mIoU 46.57% pada AINDAA. Model optimal yang memanfaatkan arsitektur hybrid DCN-Transformer ditunjukkan oleh UPerNet-ConvNeXt-L (+HEFTA), mencapai akurasi 98.31%, presisi 86.17%, recall 85.03%, F1-score 85.15%, dan mIoU 75.05% pada FloodNet dan mencapai akurasi 97.63%, presisi 73.93%, recall 71.03%, F1-score 72.05%, dan mIoU 61.66% pada AINDAA. Kesimpulan. Model optimal dibangun dengan menggunakan augmentasi data, pembelajaran transfer, parameter dan kriteria terbaik yang diperoleh dari penyetelan (penyesuaian) dan optimasi, dan modifikasi arsitektur melalui perbaikan fitur citra. Penilaian bencana alam secara mendetail pada citra hasil segmentasi dapat dilakukan dengan menghitung jumlah objek yang sesuai dengan kelas objek, menghitung luasan objek yang terdampak bencana, menghitung persentase terdampak bencana alam, dan menggunakan algoritma pengelompokan untuk mengkategorikan daerah terdampak bencana alam. Pengembangan hasil optimisasi segmentasi menghasilkan sistem yang mampu dalam memproses secara langsung video atau citra dari UAV atau drone menggunakan segmentasi semantik dan menampilkan hasil penilaian bencana alam secara mendetail.