Modifikasi Fungsi Kerugian pada Arsitektur AANSER U-Net untuk Penanganan Ketidakseimbangan Kelas Citra Satelit Resolusi Tinggi

Fakih Widatmojo, I Gede Mujiyatna, S.Kom, M.Kom.

2026 | Skripsi | ILMU KOMPUTER

Klasifikasi tutupan lahan pada citra satelit beresolusi tinggi merupakan salah satu aplikasi segmentasi semantik yang memiliki nilai praktis tinggi, namun menghadapi tantangan serius berupa ketidakseimbangan kelas yang ekstrem. Untuk mengatasi tantangan tersebut, penelitian ini melakukan modifikasi fungsi kerugian pada arsitektur AANSER U-Net. Arsitektur ini, yang sebelumnya hanya diuji pada citra multispektral Sentinel-2, diterapkan pada dataset Klasifikasi Tutupan Lahan DeepGlobe yang berbasis citra RGB beresolusi tinggi (0,5 m/piksel) dengan distribusi kelas yang sangat tidak seimbang (Agriculture 56,76% hingga Barren 6,14?n Water 3,74%). Penelitian ini memodifikasi pendekatan baseline cross-entropy dengan menerapkan Focal Loss dan Lovász-Softmax Loss untuk menginvestigasi pendekatan mana yang paling efektif dalam meningkatkan kinerja segmentasi pada kelas minoritas.

Hasil eksperimen menunjukkan bahwa Config 2 (Focal Loss) mencatatkan performa terbaik secara keseluruhan dengan mIoU 0,6795. Terkait efek pada ketidakseimbangan kelas, Focal Loss terbukti paling efektif meredam dominasi kelas mayoritas dan meningkatkan kinerja pendeteksian kelas minoritas. Hal ini dibuktikan dengan peningkatan IoU kelas Water dari 0,7933 menjadi 0,8150 dan IoU kelas Barren dari 0,5602 menjadi 0,5662 dibandingkan dengan baseline cross-entropy. Sebaliknya, Lovász-Softmax Loss (mIoU 0,5802) gagal menangani ketimpangan ini dan justru menghasilkan over-prediction yang memicu model collapse pada kelas Barren. Kelas Rangeland secara konsisten menjadi kelas dengan performa terendah pada seluruh konfigurasi akibat tingginya variabilitas visual. Untuk penelitian selanjutnya, eksplorasi kombinasi Focal Loss dengan teknik penanganan class imbalance lainnya serta pengujian arsitektur penuh tanpa penurunan jumlah filter berpotensi memberikan peningkatan performa yang lebih signifikan.

Land cover classification on high-resolution satellite imagery is a semantic segmentation task of high practical value, yet it faces a critical challenge in the form of severe class imbalance. To address this challenge, this study modifies the loss functions in the AANSER U-Net architecture. The architecture, previously tested only on multispectral Sentinel-2 imagery, is applied to the DeepGlobe Land Cover Classification Dataset, which consists of high-resolution RGB imagery (0.5 m/pixel) with a heavily skewed class distribution ranging from Agriculture at 56.76% to Barren at 6,14% and Water at 3.74%. This study modifies the cross-entropy baseline by implementing Focal Loss and Lovász-Softmax Loss to investigate which approach most effectively improves segmentation performance on minority classes.

Results show that Config 2 (Focal Loss) achieved the best overall performance with an mIoU of 0.6795. Regarding the effect on class imbalance, Focal Loss proved most effective in suppressing majority class dominance and improving minority class detection. This is evidenced by the improvement in Water IoU from 0.7933 to 0.8150 and Barren IoU from 0.5602 to 0.5662 compared to the Cross-Entropy baseline. Conversely, Lovász-Softmax (mIoU 0.5802) failed to handle this imbalance, producing significant over-prediction that led to model collapse on the Barren class. Rangeland consistently recorded the lowest performance across all configurations due to high visual variability. For future research, exploring combinations of Focal Loss with other class imbalance handling techniques and testing the full architecture without filter reduction are promising directions for further performance improvement.

Kata Kunci : segmentasi semantik, klasifikasi tutupan lahan, AANSER, U-Net, Atrous Spatial Pyramid Pooling (ASPP), mekanisme atensi, blok squeeze-and-excitation, ketidakseimbangan kelas