View/Open

Author
Fadhlurrahman, Nefrin

Date Published
18 Feb 2026

Advisor
Muhammad Ulin Nuha, S.T., M.Eng.,
Rizqi Aulia, S.T., M.T.,

Subject
Teknik Geomatika

Publisher

Pemetaan batas bangunan merupakan elemen penting dalam perencanaan tata ruang, pemantauan urbanisasi, dan pengelolaan wilayah. Perkembangan deep learning memungkinkan ekstraksi batas bangunan dari ortofoto non-metrik berbasis UAV dilakukan secara otomatis dengan tingkat konsistensi yang lebih baik dibandingkan digitasi manual. Penelitian ini bertujuan membandingkan kinerja tiga algoritma deep learning, yaitu YOLOv8, Mask R-CNN, dan U-Net, dalam ekstraksi batas bangunan pada ortofoto non-metrik. Evaluasi dilakukan berdasarkan akurasi kuantitatif, kualitas spasial geometri batas, efisiensi komputasi, serta uji signifikansi statistik. Metrik yang digunakan meliputi Precision, Recall, Intersection over Union (IoU), Overall Accuracy (OA), dan deviasi batas terhadap ground-truth. Hasil penelitian menunjukkan bahwa U-Net memperoleh performa tertinggi dengan nilai Precision 0,943, IoU 0,875, dan OA 0,9732, serta deviasi batas terkecil (±1,30 m). Mask R-CNN menunjukkan performa stabil dengan IoU 0,856 namun membutuhkan sumber daya komputasi terbesar. YOLOv8 unggul dalam efisiensi dengan ukuran model paling kecil dan waktu inferensi tercepat, meskipun nilai IoU dan presisinya lebih rendah dibandingkan U-Net. Uji Friedman terhadap 25 sampel area menghasilkan p-value 0,087 (>0,05), yang menunjukkan bahwa perbedaan kinerja ketiga model tidak signifikan secara statistik. Uji Wilcoxon berpasangan juga tidak menunjukkan perbedaan signifikan antar model. Secara keseluruhan, terdapat trade-off antara akurasi dan efisiensi komputasi. Meskipun U-Net menunjukkan performa numerik terbaik, ketiga algoritma memiliki kinerja yang relatif sebanding, sehingga pemilihan model perlu disesuaikan dengan kebutuhan akurasi dan kapasitas komputasi pada implementasi pemetaan.

URI
https://repository.itera.ac.id/depan/submission/SB2602170004

Keyword
Segmentasi Citra Batas Bangunan Ortofoto Non-Metrik Deep Learning Evaluasi Akurasi Spasial