Pemanfaatan Model U-Net Berbasis Deep Learning untuk Segmentasi Citra dalam Identifikasi Area Genangan Banjir

Abstrak

Abstrak — Perubahan iklim dan peningkatan intensitas curah hujan menyebabkan frekuensi serta besarnya bencana banjir yang semakin tinggi di berbagai wilayah. Kondisi tersebut menuntut adanya sistem pemantauan yang akurat, otomatis, dan efisien untuk mendeteksi area genangan banjir secara cepat, guna mendukung respon darurat. Penelitian ini bertujuan untuk mengimplementasikan dan menyiarkan model segmentasi citra berbasis U-Net dalam mengidentifikasi area genangan banjir menggunakan citra udara. Dataset yang digunakan dalam penelitian ini terdiri atas 3.041 citra RGB dan 3.041 citra mask (ground truth) yang bersesuaian. Tahapan penelitian meliputi akuisisi data, pra-pemrosesan (meliputi penyesuaian ukuran citra, normalisasi nilai piksel, dan augmentasi data seperti rotasi dan flipping untuk meningkatkan variasi data), serta pembagian data menjadi himpunan pelatihan, validasi, dan pengujian. Pelatihan model dilakukan dengan parameter batch size 16, learning rate 0,001, dan jumlah epoch sebanyak 30. Evaluasi model dilakukan secara komprehensif menggunakan metrik standar segmentasi: akurasi, presisi, recall, Intersection over Union (IoU), dan Dice coefisien. Hasil penelitian menunjukkan bahwa model U-Net mampu melakukan segmentasi area penampungan banjir dengan kinerja yang sangat baik. Model menghasilkan nilai akurasi global sebesar 0,908, presisi 0,895, recall 0,883, IoU 0,800, dan Dice coefisien 0,889. Analisis kurva pelatihan dan validasi menampilkan konvergensi yang stabil tanpa indikasi overfitting yang signifikan. Selain itu, hasil visual segmentasi menunjukkan keseimbangan yang tinggi antara model prediksi dengan citra mask sebenarnya. Dengan demikian, dapat disimpulkan bahwa model U-Net efektif dan kuat untuk mengidentifikasi area banjir dari citra udara, serta berpotensi besar untuk berinteraksi dalam sistem pemantauan banjir berbasis kecerdasan buatan untuk mitigasi bencana.