Apa yang sudah bisa diandalkan, dan apa yang belum
Semua hasil diukur pada 4 lokasi uji (604 petak) yang tidak pernah dilihat komputer saat belajar.
Mask R-CNN terpilih
Kedua model menemukan jumlah petak yang hampir sama, tetapi Mask R-CNN jauh lebih jarang salah: 81 dari 100 petak yang ditandainya benar, sedangkan YOLOv8-seg hanya 61. Mask R-CNN juga selalu berhasil belajar, sedangkan YOLOv8-seg sempat gagal pada salah satu putaran latihan.
Perbandingan kedua model
Skala 0–1, makin tinggi makin baik.
Random Forest terpilih
Random Forest lebih jarang membuat kesalahan fatal, misalnya menilai lahan yang rusak berat sebagai tidak terdampak. Karena itu nilai Kappa-nya lebih tinggi (0,5556 dibanding 0,4566), yang tergolong kesesuaian sedang.
dikenali dengan benar (96,6%)
dikenali dengan benar
Perbandingan kedua model
Skala 0–1, makin tinggi makin baik.
Hasil setelah digabung
Setelah batas deteksi dinaikkan, model PKLPTB menemukan lebih banyak petak, yaitu 2 dari setiap 3 petak. Penilaian kerusakannya mengikuti pola Random Forest: sangat baik untuk lahan rusak berat, lemah untuk Terdampak Sedang.
Ada juga 127 petak yang ditandai model padahal tidak ada di data acuan. Sebagian besar sebenarnya berada di atas lahan pertanian, hanya batasnya tidak pas, misalnya beberapa petak terbaca sebagai satu.
Ketepatan per tingkat kerusakan (F1)
Skala 0–1, makin tinggi makin baik.
Aplikasi memberi hasil yang sama dengan penelitian
Aplikasi diuji pada keempat lokasi uji. Seluruh 526 dari 526 petak hasil aplikasi sama persis dengan hasil penelitian, termasuk tingkat kerusakannya.
per pasang foto di Hugging Face (GPU)
pada foto GeoTIFF asli
Tips agar hasilnya tepat
- Gunakan foto GeoTIFF asli. Hasilnya 100% sama dengan penelitian.
- Jika hanya punya JPG/PNG, ubah warnanya dengan satu skala yang sama untuk ketiga warna. Dengan cara ini 96,8% petak masih ditemukan; cara yang keliru hanya menemukan 40,3%.
- Komputer biasa tanpa GPU tidak cukup: proses tidak selesai setelah lebih dari 50 menit.
- Anggap hasilnya sebagai perkiraan awal yang tetap perlu dicek di lapangan.
Kesimpulan
- Tujuan 1 tercapai. Mask R-CNN mampu menemukan petak lahan pertanian dari foto satelit dan lebih jarang salah daripada YOLOv8-seg.
- Tujuan 2 tercapai. Random Forest menilai kerusakan dengan kesesuaian sedang. Lahan rusak berat dikenali dengan sangat baik, tetapi Terdampak Sedang belum.
- Tujuan 3 berhasil dibangun, tetapi masih perlu dikembangkan. Model PKLPTB menemukan 2 dari 3 petak dan sudah tersedia sebagai aplikasi web yang hasilnya sama persis dengan penelitian.
Saran untuk penelitian berikutnya
- Memperbanyak contoh petak Terdampak Sedang dari lokasi atau bencana lain.
- Meningkatkan kemampuan menemukan petak yang sangat kecil.
- Membagi foto menjadi potongan yang lebih kecil agar contoh latihan lebih banyak.
- Menentukan batas tingkat kerusakan berdasarkan sebaran data, dan mempertimbangkan luas kerusakan yang sebenarnya, bukan hanya persentasenya.
- Melibatkan lebih dari satu penilai dan memeriksa sebagian petak langsung di lapangan.