Penulis Utama : Aditya Aulia Al-azizi
NIM / NIP : M0519006
×

Deteksi bangunan otomatis masih menjadi kendala tersendiri pada bidang Geoinformatika, karena kesamaan warna dan bentuk bangunan yang sama dengan lingkungan sekitarnya. Padahal pemetaan bangunan memiliki peranan penting dalam pembaruan informasi geografis dan perencanaan wilayah. Sebenarnya sudah diajukan metode untuk mengatasi masalah ini, mulai dari metode handcrafted hingga metode berbasis deep learning. Beberapa penelitian tentang pemetaan dari udara dan satelit sudah cukup banyak perkembangannya. Pada penelitian ini akan diajukan metode Generative Adversarial Network untuk deteksi bangunan dari citra satelit beresolusi tinggi menggunakan Massachusset Building Dataset. Metode ini terdiri dari dua network: generator dan discriminator yang saling berlawanan. Generator yang digunakan merupakan network berbasis U-Net dengan susunan residual block, sedangkan discriminator menggunakan markovian-GAN. Setelah proses training network akan dilakukan evaluasi performa dengan menghitung nilai F1 Score dan IoU pada data testing. Metode yang diajukan menunjukkan performa yang lebih baik dibanding beberapa metode sebelumnya dengan nilai F1 Score, IoU dan parameter berturut-turut: 82,99%, 71,01% dan 13.32 Juta.

×
Penulis Utama : Aditya Aulia Al-azizi
Penulis Tambahan : -
NIM / NIP : M0519006
Tahun : 2023
Judul : DETEKSI BANGUNAN OTOMATIS DARI CITRA SATELIT BERESOLUSI TINGGI MENGGUNAKAN GENERATIVE ADVERSARIAL NETWORK
Edisi :
Imprint : Surakarta - Fak. MIPA - 2023
Program Studi : S-1 Informatika
Kolasi :
Sumber :
Kata Kunci : Generative Adversarial Network (GAN), Convolutional Neural Network (CNN), Massachusset Building Dataset, Deteksi Bangunan Otomatis
Jenis Dokumen : Skripsi
ISSN :
ISBN :
Link DOI / Jurnal : -
Status : Public
Pembimbing : 1. Heri Prasetyo, S. Kom., M. Sc., Eng., Ph. D.
Penguji : 1. Dr. Umi Salamah, S.Si., M.Kom.
2. Esti Suryani, SSi, M.Kom.
3. Dr. Wiharto, S.T., M.Kom.
Catatan Umum :
Fakultas : Fak. MIPA
×
Halaman Awal : Harus menjadi member dan login terlebih dahulu untuk bisa download.
Halaman Cover : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB I : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB II : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB III : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB IV : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB V : Harus menjadi member dan login terlebih dahulu untuk bisa download.
BAB Tambahan : Harus menjadi member dan login terlebih dahulu untuk bisa download.
Daftar Pustaka : Harus menjadi member dan login terlebih dahulu untuk bisa download.
Lampiran : Harus menjadi member dan login terlebih dahulu untuk bisa download.