Implementasi Semi-supervised Learning untuk Segmentasi Semantik Multikelas pada Citra Drone Kebun Salak

⭐ Tirto Kusumo, Albert (2026) Implementasi Semi-supervised Learning untuk Segmentasi Semantik Multikelas pada Citra Drone Kebun Salak. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (371kB)
	PDF BAB_II.pdf Download (885kB)
	PDF BAB_III.pdf Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (254kB)
	PDF DAFTAR_PUSTAKA.pdf Download (266kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (694kB)

Abstract

Manajemen monitoring hama lalat buah di perkebunan salak Paguyuban Mitra Turindo memerlukan basis data spasial untuk mendukung program ekspor dengan strategi Area-Wide Integrated Pest Management (AW-IPM). Sebagai kolaborator riset, MySalak turut membantu dengan penyediaan peta mosaik kawasan kebun salak. Namun, menghadapi kendala tingginya sumber daya yang dibutuhkan untuk anotasi manual elemen lingkungan pada setiap lahan untuk keperluan Pest Risk Assessment (PRA). Upaya pemanfaatan model Deep Learning sebelumnya masih terbatas pada segmentasi biner (Salak dan Background) sehingga belum mampu merepresentasikan objek lingkungan lainnya. Mengatasi hal tersebut, penelitian ini mengembangkan model semi-supervised semantic segmentation multikelas berbasis kerangka kerja DiverseNet dengan arsitektur UNet++ dan backbone MobileNetV2 melalui strategi penanganan ketidakseimbangan kelas untuk mensegmentasikan tujuh kelas ekologis spesifik secara efisien. Model dilatih menggunakan 1.000 citra drone dengan variasi proporsi data berlabel terbatas (2% hingga 20%) untuk mengamati efisiensi data. Fokus utama evaluasi adalah kemampuan model mempertahankan kualitas deteksi kelas Salak dengan IoU > ±0,8 sebagai parameter keberhasilan utama, sementara metrik seperti mIoU, F1-Score, precision, recall, dan Overall Accuracy digunakan sebagai metrik pendukung kestabilan performa pada model terhadap kelas tambahan pula. Hasil pengujian menunjukkan bahwa model berhasil mempertahankan konsistensi IoU kelas Salak di atas ±0,8 pada seluruh skenario dengan yang tertinggi adalah 0,8534 ± 0,0275, didukung performa generalisasi terbaik dicapai pada skenario 5% data berlabel (mIoU 0,4956 ± 0,0262 dan F1-Score 0,6091 ± 0,0370). Temuan ini membuktikan bahwa metode yang diusulkan mampu memberikan solusi pemetaan yang efisien dan akurat bagi tim MySalak tanpa mendegradasi performa deteksi pada komoditas utama.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Tirto Kusumo, Albert (00000068083)
Contributors:	Shabrina, Nabila Husna
Keywords:	AW-IPM, Deep learning, Semi-Supervised Learning, DiverseNet, Semantic Segmentation
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
Date Deposited:	27 Jan 2026 08:04
URI:	https://kc.umn.ac.id/id/eprint/44046

Actions (login required)

View Item