Putri, Faiza Ardilia (2026) Perbandingan Metode OBIA dan Mask R-CNN Untuk Deteksi Tapak Bangunan Dari Data Foto Udara Sebagai Data Dasar Perencanaan Tata Ruang (Studi Kasus: Desa Kepuhkiriman, Kabupaten Sidoarjo). Other thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 5016221018_Undegraduate_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
5016221018_Undegraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy |
Abstract
Pembangunan infrastruktur dan perkembangan kawasan permukiman yang pesat menuntut tersedianya data spasial yang akurat, mutakhir, dan efisien untuk mendukung pemanfaatan ruang. Salah satu komponen penting dalam data kondisi eksisting kawasan terbangun adalah tapak bangunan yang bersifat dinamis, sehingga memerlukan metode ekstraksi yang mampu menghasilkan informasi secara presisi dan konsisten pada wilayah perkotaan yang kompleks. Namun, hingga saat ini belum terdapat kajian komprehensif yang membandingkan kinerja metode Object-Based Image Analysis (OBIA) dan Mask Region-based Convolutional Neural Network (Mask R-CNN) dalam ekstraksi tapak bangunan untuk mendukung penyediaan data kawasan terbangun dalam konteks perencanaan tata ruang di Indonesia. Penelitian ini menggunakan data foto udara Desa Kepuhkiriman, Kabupaten Sidoarjo, yang memiliki tingkat perkembangan fisik tinggi. Evaluasi dilakukan menggunakan metrik precision, recall, dan F1-score untuk menilai efektivitas masing-masing metode dalam mendeteksi tapak bangunan. Hasil penelitian diharapkan dapat memberikan kontribusi dalam pengembangan metode ekstraksi objek dari citra resolusi tinggi, serta memberikan rekomendasi metode yang paling efektif untuk mendukung penyediaan data tapak bangunan sebagai dasar evaluasi dan pemantauan pemanfaatan ruang berdasarkan RDTR. Selain itu, penelitian ini berkontribusi pada pencapaian Sustainable Development Goals (SDGs) 11: Sustainable Cities and Communities, khususnya dalam peningkatan perencanaan tata ruang, dan penyediaan informasi spasial yang akurat untuk mendukung pembangunan yang inklusif dan berkelanjutan.
=======================================================================================================================================
Rapid infrastructure development and the expansion of residential areas require accurate, up-to-date, and efficient spatial data to support land use planning. One key component of data on the current state of built-up areas is building footprints, which are dynamic in nature and thus require extraction methods capable of generating precise and consistent information in complex urban areas. However, to date, there has been no comprehensive study comparing the performance of Object-Based Image Analysis (OBIA) and Mask Region-based Convolutional Neural Network (Mask R-CNN) methods in building footprint extraction to support the provision of built-up area data in the context of spatial planning in Indonesia. This study uses aerial imagery data from Kepuhkiriman Village, Sidoarjo Regency, which exhibits a high level of physical development. Evaluation was conducted using precision, recall, and F1-score metrics to assess the effectiveness of each method in detecting building footprints. The research results are expected to contribute to the development of object extraction methods from high-resolution imagery, as well as provide recommendations on the most effective methods to support the provision of building footprint data as a basis for evaluation and monitoring of land use based on the Regional Spatial Plan (RDTR). Additionally, this study contributes to the achievement of Sustainable Development Goal (SDG) 11: Sustainable Cities and Communities, particularly in terms of improving spatial management, optimizing land use, and strengthening the land information system as the basis for inclusive and sustainable development planning.
Actions (login required)
 |
View Item |