Publisher

UNITOMOUNITOMO

Journal Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan KomunikasiInform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi Abstract

Perkembangan teknologi kecerdasan buatan (AI) dan penglihatan komputer telah membuka peluang baru dalam pemantauan lingkungan, khususnya ruang terbuka hijau (RTH) di kawasan perkotaan. Penelitian ini bertujuan mengembangkan sistem deteksi pohon otomatis untuk citra satelit menggunakan algoritma You Only Look Once versi 8 (YOLOv8) yang terintegrasi dengan Google Maps API. Oleh karena itu, keunikan penelitian ini terletak pada integrasi model YOLOv8 dengan Google Maps JavaScript API untuk menghasilkan visualisasi spasial interaktif hasil deteksi, memungkinkan analisis distribusi vegetasi secara real-time untuk mendukung kebijakan perkotaan berkelanjutan. Metode yang digunakan meliputi pengumpulan dataset citra satelit resolusi 640 x 640 piksel dari 21 kecamatan di Kota Medan, penandaan objek menggunakan platform Roboflow, augmentasi data untuk meningkatkan keragaman, dan pelatihan model di Google Colaboratory. Model YOLOv8 yang dihasilkan menunjukkan kinerja yang sangat baik, dengan presisi 0,864, recall 0,788, dan mAP@0,5 sebesar 0,938, yang menunjukkan kemampuan deteksi objek yang kuat. Hasil deteksi kemudian dikonversi menjadi koordinat geografis dan visualisasi menggunakan Google Maps JavaScript API untuk menyediakan informasi spasial interaktif tentang distribusi pohon di kawasan perkotaan. Penelitian ini tidak hanya menunjukkan kelayakan teknis integrasi algoritma YOLOv8 dengan Google Maps API, tetapi juga menyediakan kerangka metodologis untuk penggabungan kecerdasan spasial yang dapat ditiru di domain pemantauan lingkungan lainnya. Selain itu, penelitian ini mengidentifikasi beberapa keterbatasan, termasuk ketergantungan pada resolusi gambar, cakupan temporal terbatas, dan kinerja mAP@0,5-0,95 yang relatif lebih rendah di vegetasi padat, yang akan menjadi panduan untuk perbaikan model di masa mendatang.

Conclusion

Penelitian ini berhasil mengembangkan sistem deteksi pohon menggunakan algoritma YOLOv8, terintegrasi dengan citra satelit Google Maps, untuk mendukung pemantauan ruang terbuka hijau (RTH) di Kota Medan.Model YOLOv8 yang dilatih di Google Colaboratory selama 50 epoch dengan ukuran batch 16 dan optimizer Stochastic Gradient Descent (SGD) menunjukkan kinerja yang sangat baik, dengan skor presisi 0,864, recall 0,788, mean average precision (mAP) @0,5 sebesar 0,938, dan mAP@0,5-0,95 sebesar 0,57.Kurva pelatihan menunjukkan tren penurunan loss dan peningkatan presisi dan recall, yang menunjukkan model tidak mengalami overfitting.Evaluasi menggunakan matriks kebingungan menunjukkan bahwa 84% objek pohon terdeteksi dengan benar, dengan tingkat false positive yang sangat rendah.Analisis distribusi bounding box mengonfirmasi penyebaran yang merata dan predominansi objek kecil, konsisten dengan karakteristik vegetasi yang umum dalam citra satelit, yang menunjukkan efektivitas model dalam mendeteksi objek pohon kecil di bawah berbagai kondisi pencahayaan dan kepadatan vegetasi.Fase pengujian pada citra satelit baru menunjukkan kemampuan deteksi real-time model dengan akurasi tinggi.Lokasi pohon yang terdeteksi berhasil dikonversi menjadi koordinat geografis (latitude dan longitude) dan visualisasi menggunakan Google Maps JavaScript API.Analisis spasial interaktif ini memungkinkan interpretasi yang lebih akurat tentang distribusi vegetasi di seluruh Kota Medan dan memberikan dukungan berharga untuk pengambilan keputusan berbasis bukti dalam perencanaan ruang perkotaan dan pengelolaan lingkungan.

Future Research

Saran penelitian lanjutan yang diusulkan berdasarkan latar belakang, metode, hasil, keterbatasan, dan bagian saran penelitian lanjutan dalam paper ini adalah sebagai berikut: (1) Mengembangkan sistem pemantauan vegetasi real-time yang terintegrasi dengan Google Maps, yang memungkinkan pemantauan kontinu perubahan vegetasi dan mendukung analisis spasial yang lebih akurat. (2) Mengintegrasikan data kepadatan populasi dengan data distribusi vegetasi untuk mengidentifikasi area dengan cakupan ruang terbuka hijau yang rendah dan memprioritaskan intervensi penghijauan. (3) Membangun dashboard interaktif dengan filter area atau jarak, yang memungkinkan pengguna untuk menganalisis distribusi vegetasi secara lebih mendalam dan mendukung pengambilan keputusan yang lebih terinformasi dalam perencanaan ruang perkotaan.

References

1. Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi. integration google maps yolo method... doi.org/10.25139/inform.v11i1.10800Inform Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi integration google maps yolo method doi 10 25139 inform v11i1 10800
2. Monitoring temporal changes in large urban street trees using remote sensing and deep learning | PLOS... journals.plos.org/plosone/article?id=10.1371/journal.pone.0326562Monitoring temporal changes in large urban street trees using remote sensing and deep learning PLOS journals plos plosone article id 10 1371 journal pone 0326562
3. [1804.02767] YOLOv3: An Incremental Improvement. yolov3 incremental improvement computer science vision... arxiv.org/abs/1804.027671804 02767 YOLOv3 An Incremental Improvement yolov3 incremental improvement computer science vision arxiv abs 1804 02767

Metadata

File size	485.74 KB
Pages	11
DMCA	Report