Detail Cantuman

Segmentasi jalan dari gambar remote sensing resolusi tinggi memainkan peran penting dalam berbagai aplikasi, seperti navigasi, deteksi perubahan tutupan lahan, dan pembaruan sistem informasi geospasial. U-Net, sebagai salah satu metode deep learning yang populer, telah terbukti memberikan tingkat akurasi yang tinggi dalam segmentasi jalan. Namun, performa U-Net menurun saat menghadapi kondisi jalan yang tertutup objek lain (oklusi). Residual Dilated Block (RDB) dan Spatial Pyramid Pooling (SPP) telah menunjukkan performa yang baik dalam mengatasi oklusi, maka dari itu pada penelitian ini mengusulkan modifikasi U-Net dengan mengintegrasikan RDB ke dalam encoder, SPP di bridge, dan penyesuaian decoder karena adanya perubahan pada encoder untuk meningkatkan kemampuan segmentasi saat menghadapi oklusi. Dengan RDB yang membantu menangkap fitur global melalui dilated convolution sehingga informasi spasial yang didapat lebih banyak, sementara SPP yang akan mendeskripsikan fitur multi-skala secara lebih informatif membuat oklusi dapat terdeteksi lebih baik, dan dengan penyesuaian decoder akan membantu dalam mensegmentasi bagian oklusi sehingga membuat fitur jalan lebih sempurna. Hasil pengujian menunjukkan bahwa arsitektur RDB+SPP+U-Net mampu mengatasi oklusi dengan lebih baik dibandingkan U-Net, menghasilkan peningkatan nilai recall sebesar 2.66%, IoU sebesar 0.99% dan F1-Score sebesar 0.94%. Penelitian ini menunjukkan potensi signifikan kombinasi RDB dan SPP dalam meningkatkan segmentasi jalan yang teroklusi.
Kata kunci: Segmentasi jalan, Oklusi, Remote sensing, U-Net, Dilated Convolution, Spatial Pyramid Pooling.