ANALISIS PERBANDINGAN PERFORMA DEEP LEARNING FASTER R-CNN UNTUK DETEKSI OBJEK BANGUNAN DI KOTA MAKASSAR, INDONESIA DAN SPRING VALLEY, NEVADA, AMERIKA SERIKAT

Perkembangan teknologi Deep Learning dalam bidang penginderaan jauh telah meningkatkan kemampuan deteksi objek secara otomatis, khususnya untuk identifikasi bangunan pada citra resolusi tinggi. Informasi mengenai persebaran bangunan berperan penting dalam mendukung perencanaan wilayah, pengelolaan tata ruang, serta penyediaan informasi geospasial yang akurat. Penelitian ini bertujuan membandingkan performa metode Deep Learning Faster R-CNN dalam mendeteksi objek bangunan pada dua wilayah studi, yaitu Kota Makassar, Indonesia, dan Spring Valley, Nevada, Amerika Serikat. Data yang digunakan berupa Basemap Online yang diakses melalui ArcGIS Pro sebagai sumber data utama. Tahapan penelitian meliputi pelabelan objek bangunan, ekspor data pelatihan (Export Training Data for Deep Learning), pelatihan model menggunakan algoritma Faster R-CNN dengan backbone ResNet-50, evaluasi model berdasarkan grafik training loss, validation loss, dan Average Precision (AP), serta proses deteksi objek bangunan menggunakan model yang telah dilatih. Hasil penelitian menunjukkan bahwa model mampu mendeteksi objek bangunan pada kedua wilayah studi dengan performa yang berbeda. Nilai Average Precision (AP) yang diperoleh pada wilayah Spring Valley sebesar 0.78945, sedangkan pada Kota Makassar sebesar 0,52339. Perbedaan performa tersebut dipengaruhi oleh kepadatan bangunan, variasi karakteristik objek lattih (variasi ukuran dan warna atap), serta gangguan objek sekitar (gangguan vegetasi) yang memengaruhi proses ekstraksi fitur oleh model. Hasil penelitian menunjukkan bahwa penerapan Faster R-CNN untuk deteksi objek bangunan pada wilayah dengan karakteristik yang berbeda perlu mempertimbangkan kondisi visual objek pada masing-masing wilayah, sehingga metode ini berpotensi mendukung penyediaan informasi geospasial untuk perencanaan wilayah dan pengelolaan kawasan.