ANALISIS KOMPARATIF U-NET ATTENTION DAN RESNET-50 UNTUK SEGMENTASI SEMANTIK SUNGAI PADA CITRA PENGINDERAAN JAUH
DOI:
https://doi.org/10.55123/storage.v4i4.6637Keywords:
Segmentasi Semantik, UNet Attention, ResNet-50Abstract
Pemantauan potensi banjir sungai merupakan langkah penting dalam mitigasi risiko bencana dan perencanaan tata ruang wilayah. Dengan perkembangan zaman dan meningkatnya ketersediaan data citra satelit dengan resolusi tinggi yang mengikutinya, pemantauan potensi banjir bisa dilakukan dengan metode yang terkini, seperti dengan menggunakan metode deep learning, terutama pada semantic segmentation. Dengan menggunakan model semantic segmentation yang berbasiskan deep learning, pemantauan sungai dalam langkah mitigasi risiko bencana alam bisa dilakukan dengan lebih fleksibel. Dengan menggunakan arsitektur ResNet-50 dan U-Net Attention, didapatkan akurasi yang tinggi, dimana masing-masing arsitektur mencapai tingkat akurasi hingga lebih dari 90%. Model dilatih menggunakan data sungai yang sudah dilakukan masking pada bagian sungainya saja, tidak menghiraukan wilayah lainya seperti genangan air besar lain yang berada diluar area sungai. Dalam penelitian ini juga dapat disimpulkan bahwa arsitektur U-Net Attention memiliki akurasi dan juga ketepatan yang lebih baik dibandingkan dengan arsitektur ResNet-50. Implementasi hasil dari penelitian ini diharapkan dapat mendukung pengembangan sistem pemantauan banjir berbasis teknologi, sehingga bisa meningkatkan kesiapsiagaan dan efisiensi dalam mitigasi bencana alam.
Downloads
References
Safitri, D. dan Putra, R.A. 2022. Analisis Pola Aliran Banjir pada Sungai Cimadur, Provinsi Banten dengan Menggunakan HEC-RAS. Journal of Infrastructural in Civil Engineering, 3(1), hlm. 19–30.
Jiang, S., Bevacqua, E. dan Zscheischler, J. 2022. River flooding mechanisms and their changes in Europe revealed by explainable machine learning. Hydrology and Earth System Sciences, 26(24), hlm. 6339–6359.
Valijonovich, R.S., Axmadjanovich, T.A. dan Khoshimjon, Y.S. 2021. Causes and consequences of floods and floods in the safety of life, measures to protect the population and the territory. International Journal of Progressive Sciences and Technologies, 25(1), hlm. 83–86.
Salim, M.A. dan Siswanto, A.B. 2021. Kajian penanganan dampak banjir Kabupaten Pekalongan. Rang Teknik Journal, 4(2), hlm. 295–303.
Ginting, S. 2021. Analisis Curah Hujan Penyebab Banjir Bandang di Ujung Berung, Bandung. Akselerasi: Jurnal Ilmiah Teknik Sipil, 2(2).
Vandaele, R., Dance, S.L. dan Ojha, V. 2021. Deep learning for automated river-level monitoring through river-camera images: an approach based on water segmentation and transfer learning. Hydrology and Earth System Sciences, 25(8), hlm. 4435–4453.
Neupane, B., Horanont, T. dan Aryal, J. 2021. Deep learning-based semantic segmentation of urban features in satellite images: a review and meta-analysis. Remote Sensing, 13(4), hlm. 808.
Jiang, B., An, X., Xu, S. dan Chen, Z. 2023. Intelligent image semantic segmentation: a review through deep learning techniques for remote sensing image analysis. Journal of the Indian Society of Remote Sensing, 51(9), hlm. 1865–1878.
Qureshi, I., Yan, J., Abbas, Q., Shaheed, K., Riaz, A.B., Wahid, A., Khan, M.W.J. dan Szczuko, P. 2023. Medical image segmentation using deep semantic-based methods: a review of techniques, applications and emerging trends. Information Fusion, 90, hlm. 316–352.
Al-Huda, Z., Peng, B., Algburi, R.N.A., Al-Antari, M.A., Rabea, A.J. dan Zhai, D. 2023. A hybrid deep learning pavement crack semantic segmentation. Engineering Applications of Artificial Intelligence, 122, hlm. 106142.
Roy, R.M. dan Ameer, P.M. 2021. Segmentation of leukocyte by semantic segmentation model: a deep learning approach. Biomedical Signal Processing and Control, 65, hlm. 102385.
Ulku, I. dan Akagündüz, E. 2022. A survey on deep learning-based architectures for semantic segmentation on 2D images. Applied Artificial Intelligence, 36(1), hlm. 2032924.
Zhou, Y., Wang, Z., Zheng, S., Zhou, L., Dai, L., Luo, H., Zhang, Z. dan Sui, M. 2024. Optimization of automated garbage recognition model based on ResNet-50 and weakly supervised CNN for sustainable urban development. Alexandria Engineering Journal, 108, hlm. 415–427.
Mahmoud, A.S., Mohamed, S.A., El-Khoriby, R.A., AbdelSalam, H.M. dan El-Khodary, I.A. 2023. Oil spill identification based on dual attention UNet model using synthetic aperture radar images. Journal of the Indian Society of Remote Sensing, 51(1), hlm. 121–133.
Jain, P.K., Dubey, A., Saba, L., Khanna, N.N., Laird, J.R., Nicolaides, A., Fouda, M.M., Suri, J.S. dan Sharma, N. 2022. Attention-based UNet deep learning model for plaque segmentation in carotid ultrasound for stroke risk stratification: an artificial intelligence paradigm. Journal of Cardiovascular Development and Disease, 9(10), hlm. 326.
Dewi, N.P.K., Suputra, P.H., Paramartha, A.G.Y., Dewi, L.J.E., Varnakovida, P. dan Aryanto, K.Y.E. 2025. River area segmentation using Sentinel-1 SAR imagery with deep-learning approach. Geomatics and Environmental Engineering, 19(4), hlm. 39–63.
Andewi, P.O., Seputra, K.A., Aryanto, K.Y.E. dan Dewi, L.J.E. 2025. Integrasi teknologi penginderaan jauh dan machine learning pada Web GIS untuk pemetaan potensi banjir. Jurnal Pendidikan Teknologi dan Kejuruan, 22(1), hlm. 12–23.
Widyantara, P.A., Marti, N.W. dan Suputra, P.H. 2025. Segmentasi semantik berbasis DeepLabv3+ untuk pemantauan pencemaran sampah di perairan sungai. Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, 14(2), hlm. 809–820.
Panghurian, F.P., Pranoto, H., Irwansyah, E. dan Pramudya, F.S. 2024. Comparison of ResNet models in UNet classifier for mapping oil palm plantation area with semantic segmentation approach. International Journal of Advanced Computer Science & Applications, 15(7).
Sun, Y., Bi, F., Gao, Y., Chen, L. dan Feng, S. 2022. A multi-attention UNet for semantic segmentation in remote sensing images. Symmetry, 14(5), hlm. 906.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Gede Andra Rizqy Wijaya, Ni Putu Novita Puspa Dewi, Kadek Yota Ernanda Aryanto
This work is licensed under a Creative Commons Attribution 4.0 International License.
