IMPLEMENTASI MASK R-CNN UNTUK MENDETEKSI AREA DI UNIVERSITAS LAMPUNG DALAM TATA KELOLA LAHAN

Muhammad Bayu, Tiar (2026) IMPLEMENTASI MASK R-CNN UNTUK MENDETEKSI AREA DI UNIVERSITAS LAMPUNG DALAM TATA KELOLA LAHAN. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF 1. ABSTRAK.pdf Download (111Kb) | Preview
	File PDF 2. SKRIPSI FULL.pdf Restricted to Hanya staf Download (3264Kb) | Minta salinan
Preview	File PDF 3. TANPA BAB PEMBAHASAN.pdf Download (1597Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Implementasi teknologi computer vision berbasis deep learning dalam pemetaan area bangunan menjadi salah satu solusi strategis untuk mendukung tata kelola lahan yang lebih efisien. Penelitian ini mengimplementasikan metode Mask Region-Based Convolutional Neural Network (Mask R-CNN) dengan backbone ResNet-50 Feature Pyramid Network (FPN) untuk mendeteksi, men-segmentasi, dan memperkirakan luas bangunan fakultas di Universitas Lampung menggunakan citra udara drone. Dataset yang digunakan terdiri dari 594 citra hasil frame capturing video drone dengan total 5.369 objek bangunan yang dianotasi dalam format COCO JSON. Data dibagi menjadi 70% training, 20% validation, dan 10% testing. Proses pelatihan dilakukan menggunakan transfer learning dengan optimizer AdamW, mekanisme early stopping, serta evaluasi menggunakan COCOeval. Kinerja segmentasi dievaluasi menggunakan metrik mAP, AP50, AP75, dan IoU, sedangkan estimasi luas bangunan dievaluasi menggunakan MAE, MAPE, dan WAPE setelah dilakukan konversi skala dari piksel persegi (px²) ke meter persegi (m²) berdasarkan median rasio per kelas. Hasil pengujian menunjukkan bahwa model mencapai mAP sebesar 82,03%, AP50 sebesar 94,52%, AP75 sebesar 89,50%, serta rata-rata IoU sebesar 88,12%. Pada tahap estimasi luas, diperoleh MAE rata-rata sebesar 8,063 m², MAPE sebesar 4,205%, dan WAPE sebesar 3,579%. Hasil tersebut menunjukkan bahwa Mask R-CNN mampu melakukan segmentasi bangunan secara presisi serta memberikan estimasi luas area yang akurat dan konsisten. Dengan demikian, pendekatan ini berpotensi mendukung pemetaan detail kampus dan perencanaan tata kelola lahan berbasis citra drone secara lebih efektif. Kata Kunci: Mask R-CNN, segmentasi instance, citra drone, deteksi bangunan, estimasi luas area, deep learning, computer vision, COCOeval, tata kelola lahan.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer 000 Ilmu komputer, informasi dan pekerjaan umum > 005 Pemrograman komputer, program dan data
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Ilmu Komputer
Pengguna Deposit:	2602715801 Digilib
Date Deposited:	06 Apr 2026 02:48
Terakhir diubah:	06 Apr 2026 02:48
URI:	http://digilib.unila.ac.id/id/eprint/97969

Actions (login required)

Lihat Karya Akhir