ABSTRAK

Pemantauan dan pemetaan tutupan lahan menjadi salah satu elemen krusial dalam

manajemen tata ruang yang berdampak signifikan terhadap pelestarian lingkungan

dan perencanaan pembangunan berkelanjutan. Pemantauan secara konvensional

dinilai memakan waktu dan kurang efisien, diperlukan pendekatan berbasis

kecerdasan buatan yang mampu mengklasifikasikan citra tutupan lahan secara

akurat dan otomatis. Penelitian ini bertujuan untuk mengetahui tingkat akurasi

pelatihan dan pengujian dari model U-Net yang dimodifikasi pada bagian decoder

dalam mengklasifikasikan citra tutupan lahan. Penelitian ini menggunakan

pendekatan kuantitatif eksperimental dengan memanfaatkan dataset citra tutupan

lahan yang dikategorikan ke dalam tiga kelas, yaitu bare, sedang, dan tinggi.

Metode yang dilakukan menggunakan arsitektur Deep Learning U-Net, dengan

modifikasi penambahan Global Average Pooling dan jaringan Fully Connected

untuk mengonversi tugas segmentasi menjadi klasifikasi citra. Eksperimen

dilakukan menggunakan pelatihan model selama 20 epoch yang dilengkapi dengan

mekanisme Early Stopping untuk mencegah terjadinya overfitting. Hasil pengujian

menunjukkan bahwa model modifikasi U-Net memberikan performa yang sangat

baik dan konvergen. Pada tahap pelatihan, diperoleh nilai Training Accuracy

sebesar 93,20% dan Validation Accuracy sebesar 94,66%. Pada tahap pengujian

menggunakan 301 data uji rahasia (testing set), diperoleh tingkat akurasi

keseluruhan (Overall Accuracy) sebesar 80%. Secara spesifik pada pengenalan

kelas bare, model mencapai nilai recall 100% dan precision 98%. Penelitian ini

menyimpulkan bahwa modifikasi arsitektur U-Net efektif digunakan sebagai alat

bantu analisis klasifikasi tutupan lahan dan berhasil diimplementasikan ke dalam

dashboard Streamlit, meskipun efektivitasnya dalam membedakan objek sangat

bergantung pada batas kemiripan visual di fase transisi antara kelas sedang dan

tinggi.

Kata Kunci: Arsitektur U-Net, Deep Learning, Klasifikasi Citra, Tutupan Lahan.