Laporkan Masalah

Pemetaan Lahan Sawah Menggunakan U-Net Berbasis Foto Udara PUNA di Desa Macanan, Kecamatan Kebakkramat, Kabupaten Karanganyar

Rasyidini Ayu Rahmawati, Karen Slamet Hardjo, S.Si., M.Sc.

2026 | Tugas Akhir | D4 SISTEM INFORMASI GEOGRAFIS

Lahan sawah merupakan komponen penting dalam ruang lingkup ketahanan pangan, khususnya di Desa Macanan, Kecamatan Kebakkramat, Kabupaten Karanganyar, yang sebagian besar wilayahnya (70,4%) dimanfaatkan sebagai lahan sawah. Pemberdayaan basis data spasial lahan sawah di wilayah tersebut masih mengandalkan metode digitasi manual yang bersifat subjektif dan membutuhkan waktu lama. Penelitian ini bertujuan untuk membangun model deep learning yang efektif untuk melakukan segmentasi otomatis lahan sawah dan mengetahui tingkat akurasinya menggunakan ArcGIS Pro.
Metode yang digunakan dalam penelitian ini adalah U-Net untuk melakukan segmentasi semantik pada data foto udara resolusi tinggi hasil perekaman Pesawat Udara Nirawak (PUNA) Wingtra One Gen II VTOL dengan resolusi spasial 5,8 cm. Pelatihan model dilakukan selama 25 epoch menggunakan ArcGIS Pro dan akurasi model diuji melalui pengecekan lapangan dengan titik sampel menggunakan perhitungan Fitzpatrick-Lins. Pengambilan titik sampel dilakukan dengan metode
random sampling sebanyak 50 titik. Sampel validasi lapangan dalam penelitian ini difokuskan pada area hasil prediksi sawah, sehingga hasil validasi merepresentasikan ketepatan prediksi kelas sawah.
Hasil penelitian menunjukkan bahwa evaluasi internal model pada
validation set menghasilkan akurasi sebesar 91,35%, sedangkan validasi lapangan terhadap titik sampel pada area hasil prediksi sawah menunjukkan tingkat kesesuaian sebesar 92%. Model menghasilkan 879 poligon sawah dengan total luas terdeteksi sebesar 151,39 hektar. Hasil tersebut menunjukkan bahwa model U-Net yang dikembangkan terbukti efektif sebagai metode pemetaan lahan sawah secara otomatis yang lebih objektif dan efisien dibandingkan dengan digitasi konvensional, sehingga berpotensi menjadi alternatif dalam mendukung pengelolaan data Lahan Sawah Dilindungi di Desa Macanan.

Paddy fields are an essential component of food security, particularly in
Desa Macanan, Kecamatan Kebakkramat, Kabupaten Karanganyar, where 70.4% of the total area is utilized as paddy land. The management of paddy field spatial databases in this area still relies on manual digitization methods, which are subjective in nature and time-consuming. This study aims to develop an effective deep learning model for automatic paddy field segmentation and to evaluate its accuracy using ArcGIS Pro.
The method employed in this study is U-Net for semantic segmentation of
high-resolution aerial imagery acquired using an Unmanned Aerial Vehicle (UAV) Wingtra One Gen II VTOL with a spatial resolution of 5.8 cm. Model training was conducted over 25 epochs using ArcGIS Pro, and model accuracy was assessed through field verification using sample points based on the Fitzpatrick-Lins calculation method. Sample points were collected using random sampling with 50 points. Field validation samples in this study were focused on areas predicted as paddy fields, therefore, the validation results primarily represent the accuracy of
paddy field class predictions.
The results show that internal model validation on the validation set yielded a model validation accuracy of 91.35%, while field validation against sample points within predicted paddy field areas indicated a field validation agreement (user’s accuracy for predicted paddy field) of 92%. The model produced 879 paddy polygon with a total detected area of 151.39 hectares. These findings indicate that the developed U-Net model is proven effective as an automated paddy field mapping method that is more objective and efficient compared to conventional digitization, and has the potential to serve as an alternative approach in supporting the management of Protected Paddy Field data in Desa Macanan.

Kata Kunci : Deep Learning, U-Net, Segmentasi Semantik, Lahan Sawah

  1. D4-2026-499856-abstract.pdf  
  2. D4-2026-499856-bibliography.pdf  
  3. D4-2026-499856-tableofcontent.pdf  
  4. D4-2026-499856-title.pdf