Segmentasi Atap Bangunan dari Citra Satelit Resolusi Tinggi Menggunakan Arsitektur CBAM-UNet

Abstract

Bangunan merupakan salah satu unsur peta dasar yang berkembang pesat, sehingga memerlukan pembaruan data secara berkala. Hingga saat ini proses pembaruan informasi bangunan masih banyak mengandalkan interpretasi visual atap bangunan melalui citra satelit resolusi tinggi secara manual, yang membutuhkan waktu lama serta berpotensi menimbulkan inkonsistensi antar operator. Perkembangan teknologi penginderaan jauh dan metode deep learning membuka peluang untuk otomatisasi proses segmentasi atap bangunan secara lebih cepat, obyektif, dan efisien. Berbagai arsitektur deep learning telah dikembangkan untuk segmentasi atap bangunan, seperti FCN, SegNet, DeepLab, Mask R-CNN, dan U-Net. Di antara arsitektur tersebut, U-Net menjadi pilihan utama karena struktur encoder-decoder yang simetris memungkinkan ekstraksi fitur yang efektif bahkan dengan jumlah sampel data yang terbatas. Meskipun berbagai varian U-Net telah dikembangkan untuk menangani data kompleks, U-Net konvensional masih. memiliki keterbatasan dalam mempertahankan detail spasial pada objek dengan geometri rumit dan variasi ukuran yang ekstrem. Penelitian ini bertujuan untuk mengoptimalisasi arsitektur U-Net melalui integrasi Convolutional Block Attention Module (CBAM). CBAM dipilih karena kemampuannya dalam memberikan bobot secara adaptif pada channel dan spasial secara bersamaan. Hal ini memungkinkan model untuk lebih fokus pada fitur relevan dan mengabaikan noise, sehingga meningkatkan akurasi segmentasi atap bangunan pada citra satelit resolusi tinggi beresolusi spasial 50 cm. Model CBAM-UNet dilatih menggunakan data training yang teraugmentasi, kemudian diuji pada lima area dengan karakteristik bentuk dan kepadatan bangunan yang berbeda. Hasil penelitian menunjukkan bahwa CBAM-UNet memberikan performa yang lebih baik dibandingkan U-Net konvensional.