Deteksi Otomatis Jenis Material Atap Bangunan Menggunakan Algoritma YOLO Deep Learning pada Ortofoto UAV dan Citra Satelit Resolusi Tinggi

Siti Anisa Azzahro, Ir. Ruli Andaru, S.T., M.Eng., Ph.D.

2026 | Skripsi | TEKNIK GEODESI

Indonesia memiliki karakteristik permukiman yang beragam, salah satunya 

ditunjukkan oleh variasi jenis material atap bangunan dimana hal ini berkaitan dengan 

kondisi sosial ekonomi serta perkembangan kawasan perkotaan dan perdesaan. Informasi 

mengenai jenis material atap bangunan penting untuk mendukung berbagai analisis spasial, 

seperti analisis lingkungan perkotaan, dinamika suhu permukaan, dan fenomena Urban 

Heat Island (UHI). Namun, proses identifikasi material atap secara visual pada citra 

menghadapi tantangan akibat keragaman warna, tekstur, bentuk, orientasi atap, serta 

kepadatan bangunan. Hal ini menyulitkan dalam proses ekstraksi fitur secara manual yang 

membutuhkan waktu lama, subjektif, serta rentan terjadi misclassification, khususnya pada 

area permukiman padat. Oleh karena itu, diperlukan metode deteksi objek secara otomatis 

yang mampu mengenali jenis material atap secara cepat dan konsisten. Salah satu metode 

yang banyak digunakan adalah algoritma You Only Look Once (YOLO) berbasis deep 

learning yang mampu mendeteksi objek secara cepat. 

Penelitian ini menggunakan ortofoto UAV dan citra satelit resolusi tinggi dari Esri 

World Imagery di Kelurahan Terban, Yogyakarta. Objek yang dideteksi adalah atap 

bangunan dengan empat kelas material, yaitu genteng, asbes, seng, dan beton. Untuk 

melatih model agar mampu mengenali keempat jenis material tersebut, disusun dataset 

yang berasal dari hasil labelling pada ortofoto UAV di Kelurahan Cokrodiningratan, 

Yogyakarta dan digabung dengan dataset publik deteksi material atap yang diperoleh dari 

platform Roboflow. Dataset kemudian dibagi menjadi data train, data validasi, dan data 

tes, serta dilakukan augmentasi data untuk meningkatkan variasi data pelatihan. Model AI 

yang digunakan adalah YOLOv8-OBB dengan oriented bounding box sehingga sesuai 

untuk objek atap bangunan yang memiliki bentuk relatif persegi panjang dan orientasi 

beragam. Evaluasi dilakukan menggunakan metrik precision, recall, dan F1-score, 

sedangkan analisis hasil prediksi dilakukan menggunakan nilai Intersection over Union 

(IoU).  

Hasil penelitian menunjukkan bahwa model YOLOv8-OBB mampu mendeteksi 

jenis material atap bangunan pada ortofoto UAV menghasilkan mean Intersection over 

Union (mIoU) sebesar 78,4%, sedangkan citra satelit resolusi tinggi menghasilkan mIoU 

sebesar 37,5%. Perbedaan tersebut menunjukkan bahwa karakteristik sumber data 

berpengaruh terhadap kinerja model, di mana ortofoto UAV yang memiliki resolusi spasial 

lebih tinggi mampu menghasilkan deteksi dan lokalisasi bounding box yang lebih sesuai 

dengan objek referensi dibandingkan citra satelit resolusi tinggi. Temuan ini 

mengindikasikan bahwa peningkatan resolusi spasial memberikan kontribusi signifikan 

terhadap kemampuan model dalam mengenali karakteristik material atap dan 

meningkatkan ketepatan lokalisasi objek. Dengan demikian, pemilihan sumber data 

sebaiknya disesuaikan dengan kebutuhan skala pemetaan, tingkat detail informasi yang 

diinginkan, serta karakteristik objek yang akan dideteksi.

Indonesia has diverse settlement characteristics, one of which is reflected in the 

variation of building roof materials, which is closely related to socioeconomic conditions 

and the development of urban and rural areas. Information on roof material types is 

essential for supporting various spatial analyses, including urban environmental analysis, 

land surface temperature assessment, and Urban Heat Island (UHI) studies. However, 

identifying roof materials through visual interpretation of imagery remains challenging due 

to variations in color, texture, shape, roof orientation, and building density. These factors 

make manual feature extraction time-consuming, subjective, and prone to 

misclassification, particularly in densely built-up areas. Therefore, an automated object 

detection approach capable of identifying roof material types accurately and consistently is 

required. One of the widely adopted approaches is the You Only Look Once (YOLO) deep 

learning algorithm, which enables fast and efficient object detection. 

This study utilized UAV orthophotos and high-resolution satellite imagery from 

Esri World Imagery covering Terban Subdistrict, Yogyakarta. The target objects were 

building roofs classified into four material categories: clay tile, asbestos, metal sheet, and 

concrete. To train the model, a dataset was constructed from manually labeled UAV 

orthophotos acquired in Cokrodiningratan Subdistrict, Yogyakarta, and combined with a 

publicly available roof material detection dataset obtained from the Roboflow platform. 

The dataset was subsequently divided into training, validation, and testing subsets, 

followed by data augmentation to increase the diversity of the training data. The object 

detection model employed was YOLOv8-OBB, which utilizes Oriented Bounding Boxes 

(OBB) and is well suited for roof objects with relatively rectangular shapes and varying 

orientations. Model performance was evaluated using precision, recall, and F1-score, while 

prediction results were further analyzed using the Intersection over Union (IoU) metric. 

The results indicate that the YOLOv8-OBB model successfully detected building 

roof materials on UAV orthophotos, achieving a mean Intersection over Union (mIoU) of 

78.4%, whereas detection on high-resolution satellite imagery produced an mIoU of 

37.5%. These findings demonstrate that differences in data source characteristics 

significantly influence model performance. UAV orthophotos, with their higher spatial 

resolution, provide more accurate object detection and bounding box localization than 

high-resolution satellite imagery. These findings indicate that higher spatial resolution 

contributes significantly to the model's ability to distinguish roof material characteristics 

and improve object localization accuracy. Therefore, the selection of data sources should 

be aligned with the required mapping scale, the desired level of detail, and the 

characteristics of the target objects.

Kata Kunci : Material atap, YOLO, ortofoto UAV, citra satelit, deteksi objek